recipe-scrapers 15.7.0版本发布:增强食谱数据抓取能力
recipe-scrapers是一个专注于从各类食谱网站抓取结构化数据的Python库,它能够将网页上的食谱信息转换为标准化的JSON格式,包括菜名、配料、步骤、烹饪时间等关键信息。该项目通过持续更新来支持更多食谱网站,并不断优化现有解析器的准确性。
新增支持的食谱网站
本次15.7.0版本新增了对多个食谱网站的支持,显著扩展了数据抓取范围:
- garnishandglaze.com - 一个专注于装饰和釉料的美食网站
- zestfulkitchen.com - 提供充满活力的厨房创意食谱
- tastyoven.com - 专注于烤箱烹饪的食谱资源
- sizzlefish.com - 海鲜类食谱的专业网站
- bakewithzoha - 烘焙爱好者的食谱集合
- healthywithachanceofsprinkles.com - 健康饮食与偶尔放纵的平衡食谱
- cookinglsl.com - 简单生活风格的烹饪网站
- organicallyaddison.com - 有机食材为主的健康食谱
- erinliveswhole.com - 整体生活方式的健康食谱
- simplegreensmoothies.com - 绿色蔬果汁配方网站
- loveandlemons.com - 以柠檬为特色的创意食谱
- thebigmansworld - 大份量美食食谱
- festligare.se - 瑞典语的节日食谱网站
- editions-larousse - 法国拉鲁斯出版社的食谱
- tastinghistory.com - 历史美食重现的独特食谱
- picnic.app - 带有额外步骤说明的食谱应用
- amazingoriental.com - 东方美食特色网站
核心功能改进
1. 增强的JSON-LD处理能力
针对pioneerwoman和aberlehome等网站,更新了JSON-LD解析逻辑,能够更稳健地处理不完整的食谱结构化数据。JSON-LD是食谱网站常用的结构化数据格式,但各网站实现质量参差不齐。新版本通过更智能的容错机制,确保即使在不完美的数据结构下也能提取关键信息。
2. 自动检测配料分组
引入了对WPRM(WordPress Recipe Maker)和Tasty格式的自动检测功能,能够智能识别常见的配料分组选择器组合。这项改进使得解析器无需针对每个网站硬编码分组规则,就能正确提取分门别类的配料信息,如"酱料"、"腌料"等分组。
3. 请求头优化
为URLOpen请求添加了标准请求头,模拟更真实的浏览器访问行为。这一改进有助于绕过一些网站的反爬虫机制,提高数据获取的成功率。
现有解析器优化
- TasteAU - 修复了指令提取逻辑,确保烹饪步骤完整准确
- ahealthysliceoflife - 改进了配料解析算法并添加了对配料分组的支持
- TheRecipeCritic - 统一了命名规范,保持代码风格一致性
技术实现亮点
本次更新体现了recipe-scrapers项目的几个重要技术方向:
- 模块化设计:每个食谱网站的解析器都是独立的类,便于维护和扩展
- 渐进增强:在支持新网站的同时,不断优化现有解析器的健壮性
- 智能检测:通过模式识别减少硬编码规则,提高解析器的自适应能力
- 反爬应对:通过模拟真实用户行为,提高在严格网站上的抓取成功率
开发者体验
对于使用recipe-scrapers的开发者而言,15.7.0版本带来了更广泛的数据源支持和更稳定的解析表现。新增的网站覆盖了从专业美食出版到个人美食博客的各种类型,而底层解析逻辑的改进则提升了整个库的可靠性。
项目维护团队通过清晰的版本管理和详尽的变更日志,使开发者能够轻松了解每次更新的内容和影响,便于评估升级的必要性和潜在风险。
recipe-scrapers持续证明其作为食谱数据抓取领域领先工具的价值,通过社区贡献和核心团队的努力,不断扩大其应用场景和技术能力。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00