gpt crawler

其他源码 2025-08-04

gpt crawler

德意志| Español| Français| 日本语| 한국어|葡萄牙| n 中文

爬网网站生成知识文件以从一个或多个URL创建您自己的自定义GPT

  • 例子
  • 开始
    • 本地运行
      • 克隆存储库
      • 安装依赖项
      • 配置爬虫
      • 运行您的爬行者
    • 替代方法
      • 在带有Docker的容器中运行
      • 作为API运行
    • 将数据上传到OpenAI
      • 创建自定义GPT
      • 创建自定义助手
  • 贡献

例子

这是我迅速提出的自定义GPT,以帮助回答有关如何使用和集成builder.io的问题,只需将URL提供给构建器文档即可。

该项目使文档爬行,并生成了我上传的文件作为自定义GPT的基础。

通过询问有关如何将Builder.io集成到网站的问题来尝试一下。

请注意,您可能需要一个付费的CHATGPT计划来访问此功能

开始

本地运行

克隆存储库

确保您已安装Node.js> = 16。

git clone https://git*h**ub.com/builderio/gpt-crawler

安装依赖项

npm i

配置爬虫

打开config.ts并编辑URL和Selector属性以符合您的需求。

例如,爬网builder.io文档以使我们可以使用我们的自定义GPT:

 export const defaultConfig : Config = {
  url : "https://www.*buil*d*er.io/c/docs/developers" ,
  match : "https://www.b*ui*l*der.io/c/docs/**" ,
  selector : `.docs-builder-container` ,
  maxPagesToCrawl : 50 ,
  outputFileName : "output.json" ,
} ;

有关所有可用选项,请参见Config.ts。这是常见配置选项的示例:

 type Config = {
  /** URL to start the crawl, if sitemap is provided then it will be used instead and download all pages in the sitemap */
  url : string ;
  /** Pattern to match against for links on a page to subsequently crawl */
  match : string ;
  /** Selector to grab the inner text from */
  selector : string ;
  /** Don't crawl more than this many pages */
  maxPagesToCrawl : number ;
  /** File name for the finished data */
  outputFileName : string ;
  /** Optional resources to exclude
   *
   * @example
   * ['png','jpg','jpeg','gif','svg','css','js','ico','woff','woff2','ttf','eot','otf','mp4','mp3','webm','ogg','wav','flac','aac','zip','tar','gz','rar','7z','exe','dmg','apk','csv','xls','xlsx','doc','docx','pdf','epub','iso','dmg','bin','ppt','pptx','odt','avi','mkv','xml','json','yml','yaml','rss','atom','swf','txt','dart','webp','bmp','tif','psd','ai','indd','eps','ps','zipx','srt','wasm','m4v','m4a','webp','weba','m4b','opus','ogv','ogm','oga','spx','ogx','flv','3gp','3g2','jxr','wdp','jng','hief','avif','apng','avifs','heif','heic','cur','ico','ani','jp2','jpm','jpx','mj2','wmv','wma','aac','tif','tiff','mpg','mpeg','mov','avi','wmv','flv','swf','mkv','m4v','m4p','m4b','m4r','m4a','mp3','wav','wma','ogg','oga','webm','3gp','3g2','flac','spx','amr','mid','midi','mka','dts','ac3','eac3','weba','m3u','m3u8','ts','wpl','pls','vob','ifo','bup','svcd','drc','dsm','dsv','dsa','dss','vivo','ivf','dvd','fli','flc','flic','flic','mng','asf','m2v','asx','ram','ra','rm','rpm','roq','smi','smil','wmf','wmz','wmd','wvx','wmx','movie','wri','ins','isp','acsm','djvu','fb2','xps','oxps','ps','eps','ai','prn','svg','dwg','dxf','ttf','fnt','fon','otf','cab']
   */
  resourceExclusions ?: string [ ] ;
  /** Optional maximum file size in megabytes to include in the output file */
  maxFileSize ?: number ;
  /** Optional maximum number tokens to include in the output file */
  maxTokens ?: number ;
} ; 

运行您的爬行者

npm start

替代方法

在带有Docker的容器中运行

要通过容器化执行获得输出。JSON,请进入ContainerApp目录,然后修改Config.ts,如上所示。 output.jsonfile应在数据文件夹中生成。注意:Config.ts文件中的outputFileName属性配置为与容器一起使用。

作为API运行

要作为API服务器运行该应用程序,您需要进行NPM安装以安装依赖项。该服务器用Express JS编写。

运行服务器。

NPM运行启动:启动服务器的服务器。默认情况下,该服务器在端口3000上运行。

您可以将端点 /爬网与配置JSON的POST请求主体一起运行爬网。 API文档在端点 /API-DOC上提供,并使用Swagger提供。

要修改环境,您可以将.ENV.example复制到.env并设置诸如端口等的值,以覆盖服务器的变量。

将数据上传到OpenAI

爬网将生成一个名为output.json的文件。将其上传到OpenAI创建您的自定义助手或自定义GPT。

创建自定义GPT

将此选项用于UI访问您的生成知识,您可以轻松地与他人共享

注意:您可能需要一个付费的CHATGPT计划来立即创建和使用自定义GPTS

  1. 访问https://chat.o*pe**nai.com/
  2. 在左下角点击您的名字
  3. 在菜单中选择“我的gpts”
  4. 选择“创建GPT”
  5. 选择“配置”
  6. 在“知识”下,选择“上传文件”并上传您生成的文件
  7. 如果您遇到有关文件太大的错误,则可以尝试将其拆分为多个文件,并使用config.ts文件中的选项maxfilesize单独上传它们,或者还使用令牌化以使用config.ts File中的选项maxokens减少文件的大小。

创建自定义助手

使用此选项将API访问您可以集成到产品中的生成知识。

  1. 访问https://platform.ope**na*i.com/assistants
  2. 单击“+创建”
  3. 选择“上传”并上传您生成的文件

贡献

知道如何使这个项目变得更好吗?发送公关!



下载源码

通过命令行克隆项目:

git clone https://github.com/BuilderIO/gpt-crawler.git