Apify 数据集
Apify 数据集 是一种可扩展的追加存储，具有顺序访问功能，专为存储结构化的网络抓取结果而设计，例如产品列表或 Google SERP，然后可以导出为 JSON、CSV 或 Excel 等多种格式。数据集主要用于保存 Apify Actors 的结果——用于各种网络抓取、爬虫和数据提取用例的无服务器云程序。
该笔记本展示了如何将 Apify 数据集加载到 LangChain。
前提条件
您需要在 Apify 平台上有一个现有的数据集。如果您没有，请首先查看 这个笔记本，了解如何使用 Apify 从文档、知识库、帮助中心或博客中提取内容。这个示例展示了如何加载由 网站内容爬虫 生成的数据集。
%pip install --upgrade --quiet apify-client
首先，将 ApifyDatasetLoader 导入到您的源代码中：
from langchain_community.document_loaders import ApifyDatasetLoader
from langchain_core.documents import Document
然后提供一个函数，将 Apify 数据集记录字段映射到 LangChain Document 格式。
例如，如果您的数据集项结构如下：
{
"url": "https://apify.com",
"text": "Apify is the best web scraping and automation platform."
}
下面代码中的映射函数将把它们转换为 LangChain Document 格式，以便您可以进一步与任何 LLM 模型（例如，用于问答）一起使用。
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()
一个带有问答的示例
在这个示例中，我们使用数据集中的数据来回答一个问题。
from langchain.indexes import VectorstoreIndexCreator
from langchain_community.utilities import ApifyWrapper
from langchain_core.documents import Document
from langchain_openai import OpenAI
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(embedding=OpenAIEmbeddings()).from_loaders([loader])
query = "What is Apify?"
result = index.query_with_sources(query, llm=OpenAI())
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