web-scraping-automation

SKILL.md

网站爬取与 API 自动化

功能说明

此技能专门用于自动化网站数据爬取和 API 接口调用，包括：

分析和爬取网站结构

调用和测试 REST/GraphQL API

创建自动化爬虫脚本

数据解析和清洗

处理反爬虫机制

定时任务和数据存储

使用场景

"爬取这个网站的产品信息"

"帮我调用这个 API 并解析返回数据"

"创建一个脚本定时抓取新闻"

"分析这个网站的 API 接口文档"

"绕过这个网站的反爬虫限制"

技术栈
⚠️ 资源清理原则（强制）

所有涉及浏览器的爬取任务完成后，必须自动关闭 Chrome/Selenium 进程！

# Playwright 示例
from playwright.sync_api import sync_playwright

def scrape_website():
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=True)
        page = browser.new_page()
        # ... 爬取逻辑 ...
        browser.close()

    # ⚠️ 强制清理残留进程
    import subprocess
    subprocess.run(['pkill', '-f', 'chrome'], capture_output=True)

# Selenium 示例
from selenium import webdriver

driver = webdriver.Chrome()
try:
    # ... 爬取逻辑 ...
    pass
finally:
    driver.quit()
    # ⚠️ 确保清理
    import subprocess
    subprocess.run(['pkill', '-f', 'chrome'], capture_output=True)

原因: 避免内存泄漏和资源占用，防止 Gateway CPU 100% 过载

Python 爬虫

requests：HTTP 请求库

BeautifulSoup4：HTML 解析

Scrapy：专业爬虫框架

Selenium：浏览器自动化

Playwright：现代浏览器自动化

JavaScript 爬虫

axios：HTTP 客户端

cheerio：服务端 jQuery

puppeteer：Chrome 自动化

node-fetch：Fetch API

工作流程

目标分析：

检查网站结构和数据位置

分析 API 接口和认证方式

评估反爬虫机制

方案设计：

选择合适的技术栈

设计数据提取策略

规划错误处理和重试机制

脚本开发：

编写爬虫代码

实现数据解析逻辑

添加日志和监控

测试优化：

验证数据准确性

优化性能和稳定性

处理边界情况

最佳实践

遵守 robots.txt 规则

设置合理的请求间隔

使用 User-Agent 和请求头

实现错误重试机制

数据去重和验证

使用代理池（如需要）

保存原始数据和日志

常见场景示例

1. 简单网页爬取

import requests
from bs4 import BeautifulSoup

def scrape_website(url):
    headers = {'User-Agent': 'Mozilla/5.0'}
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, 'html.parser')

    # 提取数据
    data = []
    for item in soup.select('.product'):
        data.append({
            'title': item.select_one('.title').text,
            'price': item.select_one('.price').text
        })
    return data

2. API 调用

import requests

def call_api(endpoint, params=None):
    headers = {
        'Authorization': 'Bearer YOUR_TOKEN',
        'Content-Type': 'application/json'
    }
    response = requests.get(endpoint, headers=headers, params=params)
    return response.json()

3. 动态网页爬取

from selenium import webdriver
from selenium.webdriver.common.by import By

def scrape_dynamic_page(url):
    driver = webdriver.Chrome()
    driver.get(url)

    # 等待页面加载
    driver.implicitly_wait(10)

    # 提取数据
    elements = driver.find_elements(By.CLASS_NAME, 'item')
    data = [elem.text for elem in elements]

    driver.quit()
    return data

反爬虫应对策略

请求头伪装：模拟真实浏览器

代理轮换：使用代理池

验证码处理：OCR 或第三方服务

Cookie 管理：维护会话状态

请求频率控制：避免触发限制

JavaScript 渲染：使用 Selenium/Playwright

数据存储方案

CSV/Excel：简单数据导出

JSON：结构化数据存储

数据库：MySQL、PostgreSQL、MongoDB

云存储：S3、OSS

数据仓库：用于大规模数据分析