nexus/raw/Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md at 836bbdd90dea853cd9ab6c2bdbb696718ee99a07

ishenwei/nexus

Fork 0

Files

Shen Wei e4cf7f8485 chore: sync local project changes

2026-04-28 16:39:52 +08:00

18 KiB

Raw Blame History

title, source, author, published, created, description, tags, link

title

source

author

published

created

description

🧩 一、系统整体架构建议

你的目标系统可以分为三个层次：

层次	组件	说明
数据采集层（爬虫）	Scrapy / Playwright / Selenium / Apify	从各大电商网站采集结构化信息（标题、描述、图片、视频等）
数据处理层（自动化管道）	n8n + LLM API (e.g., OpenAI, Ollama, LM Studio)	对采集数据进行清洗、分类、摘要、翻译、属性提取等AI处理
存储与展示层	PostgreSQL / SQLite + MinIO / NAS + Grafana / Metabase	存储文本、图片和视频元数据，并可视化结果

🕷️ 二、爬虫工具推荐与对比

工具	适用场景	优点	缺点
Scrapy	静态页面、电商产品信息	轻量高效、插件生态丰富、可Docker化部署	对JS渲染页面支持弱，需要配合Splash或Playwright
Playwright (Python/Node.js)	动态渲染页面、滚动加载、视频图片加载	可模拟浏览器、支持无头模式、可靠性高	相对重，适合单站点深度采集
Apify (Open Source SDK)	通用网页爬取+API接口+调度	已内置防封禁策略、支持Docker	学习曲线略陡、对纯本地化部署需定制
Colly (Go语言)	高性能爬虫服务、轻量API爬取	性能强、可编译为二进制Docker镜像	JS支持弱，不适合电商复杂页面
Crawlee (Node.js)	Apify的开源核心框架，支持Playwright/Selenium	与n8n、LangChain容易集成	需要JS/TS开发基础

推荐组合：

✅ Scrapy + Playwright（或Crawlee + Playwright）

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；
输出 JSON 或 CSV 文件供 n8n 消费。

⚙️ 三、Docker 架构示例

Scrapy 爬完的数据（JSON/CSV）存放在 /data，由 n8n 定时读取和处理。

🤖 四、n8n 中的AI集成与自动化

在 n8n 中可以通过 workflow 实现整个管线自动化：

工作流示例：

Cron Trigger → 定时启动
Execute Command Node → 执行 docker exec scraper scrapy crawl amazon
Read File Node → 读取爬取的 JSON 文件
OpenAI / Ollama Node → 调用 LLM 对产品描述提取属性（品牌、型号、价格区间、关键词等）
Database Node → 写入 PostgreSQL / SQLite
Webhook / Email Node → 生成报表或通知

你也可以用 n8n 的 “HTTP Request Node” 抓取 API 页面（适合公开电商API如阿里、Shopee）。

🧠 五、AI 处理建议

结合 LLM 做如下任务：

内容摘要与分类（提炼产品特点）
多语言翻译
特征提取（品牌、价格、类别）
异常检测（自动识别异常价格或缺图产品）
结构化JSON输出，便于数据库存储

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。

🗄️ 六、数据存储与管理建议

数据类型	存储建议	工具
文本/结构化数据	PostgreSQL / SQLite	适合AI分析、可视化
图片/视频	MinIO / 本地NAS	模拟S3存储方式
Dashboard	Grafana / Metabase	生成电商趋势与分析报表

🛡️ 七、防封与安全建议

使用 User-Agent轮换（Scrapy 内置 scrapy-user-agents）
代理池（BrightData / ScraperAPI / 免费代理）
对同一网站设置 下载延迟 + 随机化访问
分布式调度 可用 Scrapyd 或 Archetype（Scrapy集群）
不采集个人隐私信息或侵权内容（仅公开页面信息）

🚀 八、后续可扩展方向

增加 FastAPI 服务层：暴露 REST API 给前端或 BI 工具；
使用 LangChain 结合 Vector DB（e.g. Qdrant / Milvus）存储产品语义信息；
n8n 可触发自动生成市场趋势报告（AI Summarizer）；
可视化电商类目趋势（Grafana + Postgres）。

✅ 推荐起步路径

在 Ubuntu 上安装 Docker + Docker Compose
启动基础环境：scrapy + playwright + n8n
选择 1–2 个电商站点（如 Amazon / JD / Taobao）
构建 Scrapy 爬虫模板
用 n8n 处理数据并测试 AI 工作流
逐步扩展至全自动管线

太好了 ✅ 我将为你生成一个可直接部署的爬虫自动化系统骨架，基于以下目标设计：

目标： 在 Ubuntu 上使用 Docker Compose 部署一个自动化电商爬虫系统，采集电商网站产品信息 → 存入本地文件 → 由 n8n 自动读取并利用 AI 处理。

下面是完整结构与代码示例。

🧩 一、项目目录结构

ecommerce-crawler/
├── docker-compose.yml
├── scrapy/
│   ├── Dockerfile
│   ├── requirements.txt
│   ├── scrapy.cfg
│   └── ecommerce/
│       ├── __init__.py
│       ├── items.py
│       ├── middlewares.py
│       ├── pipelines.py
│       ├── settings.py
│       └── spiders/
│           └── amazon_spider.py
├── n8n_data/        # n8n 数据持久化
├── data/            # 爬取结果输出目录
└── README.md

🧱 二、`docker-compose.yml`

version: '3.8'
services:
  # Scrapy 爬虫容器
  scraper:
    build: ./scrapy
    container_name: ecommerce-scraper
    working_dir: /app/scrapy
    volumes:
      - ./data:/app/data
    depends_on:
      - playwright
    environment:
      - PLAYWRIGHT_BROWSERS_PATH=/ms-playwright
    networks:
      - crawler-net


  # Playwright 浏览器支持容器
  playwright:
    image: mcr.microsoft.com/playwright/python:v1.48.0-jammy
    shm_size: 2gb
    networks:
      - crawler-net

  # n8n 自动化平台
  #n8n:
  #  image: n8nio/n8n:latest
  #  container_name: n8n
  #  ports:
  #    - 5678:5678
  #  environment:
  #    - N8N_BASIC_AUTH_ACTIVE=true
  #    - N8N_BASIC_AUTH_USER=admin
  #    - N8N_BASIC_AUTH_PASSWORD=changeme
  #    - N8N_PATH=/workflows
  #  volumes:
  #    - ./n8n_data:/home/node/.n8n
  #    - ./data:/data
  #  networks:
  #    - crawler-net

networks:
  crawler-net:

🐍 三、Scrapy 部分

`scrapy/Dockerfile`

FROM mcr.microsoft.com/playwright/python:v1.48.0-jammy

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .

# 安装 Playwright 浏览器
RUN playwright install

WORKDIR /app
CMD ["scrapy", "crawl", "amazon"]

`scrapy/requirements.txt`

scrapy==2.13.3
playwright==1.48.0
scrapy-playwright==0.0.44

说明：scrapy-playwright 插件可直接让 Scrapy 调用 Playwright 渲染动态页面，非常适合电商网站。

`scrapy/scrapy.cfg`

[settings]
default = settings

[deploy]
# 如果你将来要用 scrapyd 部署，可以在这里定义目标（可忽略）
# url = http://localhost:6800/
# project = crawler

`scrapy/ecommerce/settings.py`

BOT_NAME = "scrapy"

SPIDER_MODULES = ["spiders"]       # 指向当前目录下的 spiders
NEWSPIDER_MODULE = "spiders"       # 新建 spider 时默认放在这里

ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 2

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"],
}
PLAYWRIGHT_BROWSER_TYPE = "chromium"

FEEDS = {
    "/app/data/amazon.json": {"format": "json", "overwrite": True},
}

`scrapy/ecommerce/items.py`

import scrapy

class ProductItem(scrapy.Item):
    title = scrapy.Field()
    price = scrapy.Field()
    rating = scrapy.Field()
    image_urls = scrapy.Field()
    images = scrapy.Field()
    product_url = scrapy.Field()

`scrapy/ecommerce/pipelines.py`

import json

class JsonWriterPipeline:
    def open_spider(self, spider):
        self.file = open("data/products.json", "w", encoding="utf-8")
        self.file.write("[\n")

    def close_spider(self, spider):
        self.file.write("]\n")
        self.file.close()

    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + ",\n"
        self.file.write(line)
        return item

`scrapy/ecommerce/spiders/amazon_spider.py`

⚠️ 仅作演示用途，使用通用搜索页采集，不涉及登录或侵权内容。

import scrapy
from scrapy_playwright.page import PageMethod

class QuotesSpider(scrapy.Spider):
    name = "amazon"
    start_urls = ["https://quotes.toscrape.com/js/"]

    custom_settings = {
        "PLAYWRIGHT_LAUNCH_OPTIONS": {"headless": True},
        "PLAYWRIGHT_CONTEXT_ARGS": {"viewport": {"width": 1280, "height": 720}},
    }

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(
                url,
                meta={
                    "playwright": True,
                    "playwright_page_methods": [
                        PageMethod("wait_for_selector", "div.quote")
                    ],
                },
            )

    async def parse(self, response):
        quotes = response.css("div.quote")
        for quote in quotes:
            text = quote.css("span.text::text").get()
            author = quote.css("small.author::text").get()
            yield {"text": text, "author": author}

        # 翻页
        next_page = response.css("li.next a::attr(href)").get()
        if next_page:
            next_url = response.urljoin(next_page)
            yield scrapy.Request(
                next_url,
                meta={
                    "playwright": True,
                    "playwright_page_methods": [
                        PageMethod("wait_for_selector", "div.quote")
                    ],
                },
                callback=self.parse
            )

`scrapy/ecommerce/spiders/init.py`

#empty

⚙️ 四、运行方式

# 1. 构建并启动所有容器
docker compose up --build -d

# 2. 进入 Scrapy 容器执行爬虫
docker exec -it ecommerce-scraper scrapy crawl amazon

# 3. 查看数据
cat data/products.json

Docker 命令

docker compose down -v
docker compose up --build -d

docker exec -it ecommerce-scraper bash

#进入交互模式
docker run -it --entrypoint bash ecommerce-scraper

🤖 五、n8n 自动化流程（示例）

你可以在 n8n Web UI（http://localhost:5678）导入如下逻辑：

Workflow 示例逻辑：

Cron Node：每天凌晨触发
Execute Command Node：执行命令
docker exec ecommerce-scraper scrapy crawl amazon
Read File Node：读取 /data/products.json

OpenAI Node（或 HTTP Request 调本地 Ollama）：

Prompt 示例：

从以下JSON中提取每个产品的简短摘要（不超过30字）并分类。

Write to Database Node（或 Google Sheet / CSV）
保存提炼结果
Telegram / Email Node
发送日报通知

💡 六、后续增强建议

功能	工具	说明
图像下载/视频下载	Scrapy 自带 `ImagesPipeline` 或 `requests`	下载并存储本地或 MinIO
多站点并行爬取	Scrapy 多 Spider + n8n 并行调度	自动轮询不同站点
数据可视化	Metabase / Grafana	接 PostgreSQL 实时展示产品趋势
向量搜索	Qdrant / Weaviate	用于AI语义检索
本地AI处理	Ollama + Llama3	替代外部API

是否希望我帮你再生成一个 完整可导入的 n8n workflow JSON 文件模板（包含 Cron、执行 Scrapy、读取 JSON、调用 AI、存入数据库）？
这样你只需导入到 n8n UI 就能立即自动化整个流程。

非常好 👍
下面是一个完整可导入的 n8n Workflow JSON 模板，它能自动：

1️⃣ 定时运行 Scrapy 爬虫（通过 Docker 命令）
2️⃣ 读取爬取的数据（products.json）
3️⃣ 调用 AI（可选择 OpenAI 或本地 Ollama）进行摘要与分类
4️⃣ 存入数据库或文件
5️⃣ 发送报告通知

🧩 一、Workflow 功能概览

步骤	节点类型	功能
1	Cron Trigger	每天凌晨 2:00 自动触发
2	Execute Command	执行 `docker exec ecommerce-scraper scrapy crawl amazon`
3	Read Binary File	读取 `/data/products.json`
4	OpenAI (或 HTTP Request)	提炼摘要与分类（可切换 Ollama）
5	Write Binary File	输出 `data/products_summary.json`
6	Email (或 Telegram)	发送日报通知

📦 二、Workflow JSON 模板（可直接导入）

将以下 JSON 内容保存为
👉 workflow_ecommerce_automation.json
然后在 n8n Web UI → Import from file 导入。

{
  "name": "Ecommerce Crawler + AI Summary",
  "nodes": [
    {
      "parameters": {
        "triggerTimes": {
          "item": [
            {
              "mode": "everyDay",
              "hour": 2
            }
          ]
        }
      },
      "id": "1",
      "name": "Cron Trigger",
      "type": "n8n-nodes-base.cron",
      "typeVersion": 1,
      "position": [250, 250]
    },
    {
      "parameters": {
        "command": "docker exec ecommerce-scraper scrapy crawl amazon"
      },
      "id": "2",
      "name": "Run Scrapy Crawler",
      "type": "n8n-nodes-base.executeCommand",
      "typeVersion": 1,
      "position": [500, 250]
    },
    {
      "parameters": {
        "path": "/data/products.json",
        "options": {}
      },
      "id": "3",
      "name": "Read Products JSON",
      "type": "n8n-nodes-base.readBinaryFile",
      "typeVersion": 1,
      "position": [750, 250]
    },
    {
      "parameters": {
        "functionCode": "const data = JSON.parse(Buffer.from(items[0].binary.data.data, 'base64').toString());\nreturn data.map(p => ({ json: p }));"
      },
      "id": "4",
      "name": "Parse JSON",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [1000, 250]
    },
    {
      "parameters": {
        "model": "gpt-4-turbo",
        "prompt": "你是一个电商产品分析助手。请从以下产品信息中提取每个产品的简短摘要（不超过30字）并归类到相应产品类别。\n\n输入数据：{{$json[\"title\"]}}，价格：{{$json[\"price\"]}}，评分：{{$json[\"rating\"]}}。\n\n输出格式：{\"title\":\"...\",\"summary\":\"...\",\"category\":\"...\"}"
      },
      "id": "5",
      "name": "AI Summarize & Categorize",
      "type": "n8n-nodes-base.openAi",
      "typeVersion": 2,
      "position": [1250, 250],
      "credentials": {
        "openAIApi": {
          "id": "YOUR-OPENAI-CREDENTIAL-ID",
          "name": "OpenAI API"
        }
      }
    },
    {
      "parameters": {
        "fileName": "/data/products_summary.json",
        "options": {},
        "dataPropertyName": "json"
      },
      "id": "6",
      "name": "Write Summary JSON",
      "type": "n8n-nodes-base.writeBinaryFile",
      "typeVersion": 1,
      "position": [1500, 250]
    },
    {
      "parameters": {
        "fromEmail": "noreply@yourdomain.com",
        "toEmail": "your@email.com",
        "subject": "Daily Product Summary Report",
        "text": "今日电商产品摘要已生成，请查看 /data/products_summary.json 文件。"
      },
      "id": "7",
      "name": "Send Email Notification",
      "type": "n8n-nodes-base.emailSend",
      "typeVersion": 1,
      "position": [1750, 250]
    }
  ],
  "connections": {
    "Cron Trigger": { "main": [[{ "node": "Run Scrapy Crawler", "type": "main", "index": 0 }]] },
    "Run Scrapy Crawler": { "main": [[{ "node": "Read Products JSON", "type": "main", "index": 0 }]] },
    "Read Products JSON": { "main": [[{ "node": "Parse JSON", "type": "main", "index": 0 }]] },
    "Parse JSON": { "main": [[{ "node": "AI Summarize & Categorize", "type": "main", "index": 0 }]] },
    "AI Summarize & Categorize": { "main": [[{ "node": "Write Summary JSON", "type": "main", "index": 0 }]] },
    "Write Summary JSON": { "main": [[{ "node": "Send Email Notification", "type": "main", "index": 0 }]] }
  },
  "active": true
}

🧠 三、使用说明

导入流程
- 访问 http://<你的服务器IP>:5678
- 点击右上角「Import from File」→ 选择上面的 JSON 文件
配置 OpenAI 凭证
- n8n → Credentials → 新建 OpenAI API Key
- 将 YOUR-OPENAI-CREDENTIAL-ID 替换为对应 ID
- 若使用本地 Ollama，则：
  - 替换节点 AI Summarize & Categorize 为 “HTTP Request”
  - URL 填入 http://ollama:11434/api/generate
  - POST body 示例：
```
{
  "model": "llama3",
  "prompt": "分析以下产品信息：{{$json[\"title\"]}} ..."
}
```
设置邮箱凭证
- n8n → Credentials → Email Send (SMTP)
- 支持 Gmail, Outlook, AWS SES 等
测试运行
- 手动点击 ▶️ 运行
- 查看 /data/products_summary.json
- 邮箱将收到日报通知

🚀 四、可选扩展

目标	实现方式
改为多站点爬取	添加更多 spider（如 `jd_spider.py`, `ebay_spider.py`）并在 n8n 串联运行
增加数据库写入	在 n8n 中加入 “PostgreSQL Node” 写入产品与AI摘要
生成图表报表	把数据库接入 Grafana / Metabase
向量检索增强	在 n8n 中调用 Qdrant 插入语义向量

是否希望我在下一步帮你生成一个适配 Ollama 本地模型（离线AI处理） 的 workflow 版本？
它将不依赖外部API，完全在本地自动运行分析。

18 KiB Raw Blame History Unescape Escape