weishen
5789476c23
Sources: - Agent-usecases-multi-Agent-Team.md - DevOps-Maturity-Model-From-Traditional-IT-to-Advanced-DevOps.md - AI-一语点醒梦中人.md - Home-Office-NodeWarden-把-Bitwarden-搬上-Cloudflare-Workers彻底告别服务器.md Entities: Trebuh, Cloudflare Concepts: DevOps成熟度模型, 共享内存模式, 空性智慧, 绝处逢生
106 lines
5.3 KiB
Markdown
106 lines
5.3 KiB
Markdown
---
|
||
title: "可自动化、可扩展、AI增强的电商数据采集与处理系统"
|
||
type: source
|
||
tags: [e-commerce, scraper, automation, n8n, ai, docker]
|
||
date: 2025-11-11
|
||
---
|
||
|
||
## Source File
|
||
- [[raw/Home Office/可自动化、可扩展、AI增强的电商数据采集与处理系统.md]]
|
||
|
||
## Summary
|
||
- 核心主题：基于 Docker + Scrapy + Playwright + n8n 构建可自动化运行的电商数据采集与 AI 处理管线
|
||
- 问题域：如何高效采集多电商平台产品数据，并通过 AI 实现清洗、分类、摘要和结构化输出
|
||
- 方法/机制：Scrapy 负责结构化抓取和分页调度；Playwright 处理 JS 动态渲染页面；n8n 定时触发爬虫、读取结果、调用 AI（OpenAI/Ollama）处理、写入数据库/文件、发送通知
|
||
- 结论/价值：提供完整 Docker Compose 架构、Scrapy 项目模板、n8n Workflow JSON 模板，实现从爬取到 AI 分析的全链路自动化
|
||
|
||
## Key Claims
|
||
- Scrapy + Playwright 组合：Scrapy 负责结构化抓取、分页调度、下载媒体；Playwright 负责 JS 动态渲染页面；scrapy-playwright 插件直接集成两者
|
||
- docker-compose 多容器架构：scraper（Scrapy+Playwright）、n8n（自动化调度），数据通过共享 ./data 目录传递
|
||
- n8n Workflow 自动化管线：Cron Trigger → Execute Command（运行爬虫）→ Read File → AI 处理（OpenAI/Ollama）→ Database/File → 通知
|
||
- 本地 AI 处理方案：Ollama（Mistral/Llama3）通过 HTTP Request 调用 http://localhost:11434/api/generate，不依赖外部 API
|
||
- 防封策略：User-Agent 轮换、代理池（BrightData/ScraperAPI）、下载延迟+随机化访问、分布式调度（Scrapyd）
|
||
- Scrapy 爬取结果输出为 JSON/CSV 格式，供 n8n 消费处理
|
||
- 采集数据建议字段：title、price、rating、image_urls、product_url
|
||
- 长期扩展路径：FastAPI 服务层 + LangChain + Qdrant 向量数据库 + Grafana/Metabase 可视化
|
||
- Playwright 需安装浏览器：playwright install，支持 headless 模式和 viewport 参数配置
|
||
|
||
## Key Quotes
|
||
> "Scrapy 负责结构化抓取、分页调度、下载媒体；Playwright 负责加载动态页面；两者可通过 Docker Compose 容器化" — 推荐技术组合
|
||
> "可以本地使用 Ollama (Mistral, Llama3) 模型，通过 n8n 的 HTTP Request 调用本地 http://localhost:11434/api/generate" — 本地 AI 处理方案
|
||
|
||
## Key Concepts
|
||
- [[Scrapy]]：Python 开源爬虫框架，支持异步抓取、中间件扩展、Item Pipeline，适合大规模结构化数据采集
|
||
- [[Playwright]]：Microsoft 开源浏览器自动化工具，支持 Chromium/Firefox/WebKit，可模拟真实用户操作
|
||
- [[scrapy-playwright]]：Scrapy 与 Playwright 集成插件，使 Scrapy 爬虫可直接渲染 JS 动态页面
|
||
- [[n8n Workflow自动化]]：可视化工作流引擎，通过 Cron 定时触发爬虫执行、文件读取、AI 处理、数据存储全流程
|
||
- [[Ollama]]：本地大模型推理服务，支持 Llama3/Mistral 等模型，通过 REST API 调用
|
||
- [[电商数据采集]]：从电商平台采集产品标题、价格、评分、图片等结构化信息
|
||
- [[AI数据处理]]：通过 LLM 对采集数据进行摘要、分类、特征提取、异常检测
|
||
- [[防封策略]]：User-Agent 轮换、代理池、访问延迟、分布式调度等反爬虫对抗技术
|
||
- [[Docker容器化爬虫]]：将 Scrapy + Playwright 封装为 Docker 镜像，实现环境一致性部署
|
||
|
||
## Key Entities
|
||
- [[Scrapy]]：Python 爬虫框架
|
||
- [[Playwright]]：Microsoft 浏览器自动化工具
|
||
- [[n8n]]：开源工作流自动化平台
|
||
- [[Ollama]]：本地 LLM 推理引擎
|
||
- [[BrightData]]：商业代理池服务
|
||
- [[ScraperAPI]]：爬虫 API 服务
|
||
|
||
## Connections
|
||
- [[Scrapy]] ← 动态渲染 ← [[Playwright]]（通过 scrapy-playwright）
|
||
- [[n8n Workflow自动化]] ← Cron Trigger ← [[Scrapy]]（执行爬虫命令）
|
||
- [[n8n Workflow自动化]] ← AI处理 ← [[Ollama]]（本地模型调用）
|
||
- [[n8n Workflow自动化]] ← 数据写入 ← PostgreSQL/SQLite
|
||
- [[Scrapy]] ← 输出格式 ← JSON/CSV（data/ 目录）
|
||
- [[电商数据采集]] ← 工具 ← [[Scrapy]] + [[Playwright]]
|
||
- [[AI数据处理]] ← 工具 ← [[n8n Workflow自动化]] + [[Ollama]]
|
||
|
||
## Contradictions
|
||
- 无明显冲突
|
||
|
||
## 核心架构代码
|
||
|
||
### docker-compose.yml
|
||
|
||
```yaml
|
||
services:
|
||
scraper:
|
||
build: ./scrapy
|
||
volumes:
|
||
- ./data:/app/data
|
||
depends_on:
|
||
- playwright
|
||
environment:
|
||
- PLAYWRIGHT_BROWSERS_PATH=/ms-playwright
|
||
playwright:
|
||
image: mcr.microsoft.com/playwright/python:v1.48.0-jammy
|
||
shm_size: 2gb
|
||
```
|
||
|
||
### Scrapy settings.py（关键配置）
|
||
|
||
```python
|
||
DOWNLOAD_HANDLERS = {
|
||
"http": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
|
||
"https": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
|
||
}
|
||
TWISTED_REACTOR = "twisted.internet.asyncioreactor.AsyncioSelectorReactor"
|
||
PLAYWRIGHT_LAUNCH_OPTIONS = {
|
||
"headless": True,
|
||
"args": ["--no-sandbox", "--disable-setuid-sandbox"],
|
||
}
|
||
FEEDS = {"/app/data/amazon.json": {"format": "json", "overwrite": True}}
|
||
```
|
||
|
||
### n8n Workflow 节点链路
|
||
|
||
1. Cron Trigger（每天凌晨 2:00）
|
||
2. Execute Command（docker exec scraper scrapy crawl amazon）
|
||
3. Read Binary File（读取 /data/products.json）
|
||
4. Function Node（解析 JSON）
|
||
5. OpenAI / HTTP Request（Ollama 本地调用）
|
||
6. Write Binary File（输出 products_summary.json）
|
||
7. Email / Telegram（发送日报）
|