name: web-scraping-automation
description: 自动化爬取网站数据和 API 接口。当用户需要抓取网页内容、调用 API、解析数据或创建爬虫脚本时使用此技能。
allowed-tools: Bash, Read, Write, Edit, WebFetch, WebSearch

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

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

1. 目标分析：
2. 检查网站结构和数据位置
3. 分析 API 接口和认证方式

4. 评估反爬虫机制

5. 方案设计：

6. 选择合适的技术栈
7. 设计数据提取策略

8. 规划错误处理和重试机制

9. 脚本开发：

10. 编写爬虫代码
11. 实现数据解析逻辑

12. 添加日志和监控

13. 测试优化：

14. 验证数据准确性
15. 优化性能和稳定性
16. 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