Skip to main content
Open In Colab在 GitHub 上打开

Apify 数据集

Apify Dataset 是一种可扩展的仅附加存储，具有顺序访问功能，用于存储结构化的 Web 抓取结果，例如产品列表或 Google SERP，然后将它们导出为 JSON、CSV 或 Excel 等各种格式。数据集主要用于保存 Apify Actors 的结果，Apify Actors 是适用于各种 Web 抓取、爬取和数据提取使用案例的无服务器云程序。

此笔记本演示如何将 Apify 数据集加载到 LangChain。

先决条件

您需要在 Apify 平台上拥有现有数据集。此示例说明如何加载 Website Content Crawler 生成的数据集。

%pip install --upgrade --quiet langchain langchain-apify langchain-openai

一、导入ApifyDatasetLoader添加到您的源代码中：

from langchain_apify import ApifyDatasetLoader
from langchain_core.documents import Document
API 参考：文档

找到您的 Apify API 令牌和 OpenAI API 密钥，并将它们初始化为环境变量：

import os

os.environ["APIFY_API_TOKEN"] = "your-apify-api-token"
os.environ["OPENAI_API_KEY"] = "your-openai-api-key"

然后提供一个函数，将 Apify 数据集记录字段映射到 LangChainDocument格式。

例如，如果您的数据集项的结构如下：

{
    "url": "https://apify.com",
    "text": "Apify is the best web scraping and automation platform."
}

下面代码中的 mapping 函数会将它们转换为 LangChainDocument格式，以便您可以进一步将它们用于任何 LLM 模型（例如，用于问答）。

loader = ApifyDatasetLoader(
    dataset_id="your-dataset-id",
    dataset_mapping_function=lambda dataset_item: Document(
        page_content=dataset_item["text"], metadata={"source": dataset_item["url"]}
    ),
)
data = loader.load()

问答示例

在此示例中，我们使用数据集中的数据来回答问题。

from langchain.indexes import VectorstoreIndexCreator
from langchain_apify import ApifyWrapper
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import ChatOpenAI
from langchain_openai.embeddings import OpenAIEmbeddings
loader = ApifyDatasetLoader(
    dataset_id="your-dataset-id",
    dataset_mapping_function=lambda item: Document(
        page_content=item["text"] or "", metadata={"source": item["url"]}
    ),
)
index = VectorstoreIndexCreator(
    vectorstore_cls=InMemoryVectorStore, embedding=OpenAIEmbeddings()
).from_loaders([loader])
llm = ChatOpenAI(model="gpt-4o-mini")
query = "What is Apify?"
result = index.query_with_sources(query, llm=llm)
print(result["answer"])
print(result["sources"])
 Apify is a platform for developing, running, and sharing serverless cloud programs. It enables users to create web scraping and automation tools and publish them on the Apify platform.

https://docs.apify.com/platform/actors, https://docs.apify.com/platform/actors/running/actors-in-store, https://docs.apify.com/platform/security, https://docs.apify.com/platform/actors/examples