Web Crawler Script Generator 🕸️🤖

简介 | Introduction

欢迎使用 Web Crawler Script Generator！🎉 这是一个基于 Electron 的工具，帮助用户轻松生成用于抓取特定网站信息的爬虫脚本。只需输入目标网站 URL，工具将自动分析网站结构，提取关键信息，并生成可用于 Puppeteer 的 Node.js 爬虫代码。✨

Welcome to Web Crawler Script Generator! 🎉 This is an Electron-based tool that helps users effortlessly generate web crawler scripts for specific websites. Simply input the target website URL, and the tool will automatically analyze the website structure, extract key information, and generate Node.js crawler code compatible with Puppeteer. ✨

特性 | Features ✨

• 简便易用：用户友好的界面，输入 URL 即可生成爬虫脚本。🖥️

• 自动化分析：使用 Puppeteer 自动加载网站，截图并提取文本内容。📄📸

• 智能处理：集成 OpenAI 多模态接口，智能提取标题、摘要、时间等关键信息。🧠

• 精确选择器：利用 @medv/finder 生成精准的 CSS 选择器，确保爬虫脚本的稳定性。🎯

• 多语言支持：支持中英文双语界面，满足不同用户的需求。🌐

• User-Friendly: Easy-to-use interface that generates crawler scripts by simply inputting a URL. 🖥️

• Automated Analysis: Uses Puppeteer to automatically load websites, take screenshots, and extract text content. 📄📸

• Intelligent Processing: Integrates OpenAI's multimodal API to intelligently extract titles, summaries, dates, and other key information. 🧠

• Precise Selectors: Utilizes @medv/finder to generate accurate CSS selectors, ensuring the stability of crawler scripts. 🎯

• Bilingual Support: Supports both Chinese and English interfaces to cater to diverse user needs. 🌐

里程碑 | Milestones 🎯

• 优化 Electron 应用 UI 💅🎨
  Improve the Electron application's UI for better aesthetics and user experience.

• 支持多字段 DOM 元素爬虫 🔍🖥️
  Enable crawling of multiple DOM elements with various fields (e.g., title, summary, date).

• AI 整合优化生成的爬虫代码 🤖💡
  Integrate AI to optimize and enhance the generated crawler scripts.

• 添加调度爬取功能 📅🔄
  Implement scheduling features for automated and periodic crawling.

• 实现数据可视化和报告功能 📊📈
  Develop data visualization and reporting tools to display scraped data effectively.

• 扩展与更多 Web 技术和框架的兼容性 🌐📚
  Extend compatibility with more web technologies and frameworks (e.g., React, Vue, Angular).

• 实现协作功能以支持团队项目 👥🤝
  Add collaboration features to support team projects and shared crawler scripts.

• 添加插件支持，允许用户扩展功能 🧩🔌
  Develop a plugin system to allow users to extend functionality with custom plugins.

• 集成数据库和云存储解决方案 ☁️🗄️
  Integrate database and cloud storage solutions for storing and managing scraped data.

• 增强安全性功能以保护用户数据 🔒🛡️
  Enhance security features to protect user data and ensure privacy.

• 引入机器学习优化爬虫策略 📚🤖
  Introduce machine learning to optimize crawling strategies for efficiency and accuracy.

• 开发移动端支持，扩展应用平台 📱🌍
  Develop mobile support to expand the application's platform availability.

• 全球化扩展 🌏✨
  Support more languages and expand to international markets.

• 社区驱动的发展 🏘️🌱
  Foster a community-driven development approach with active contributions and collaborations.

• 持续创新与优化 💡🔧
  Continuously innovate and optimize the tool to keep up with the latest technologies and user needs.

安装 | Installation 🚀

前提条件 | Prerequisites

• Node.js >= 18.x

步骤 | Steps

1. 克隆仓库 | Clone the repository

   git clone https://github.com/MaskerPRC/auto-vl-spider.git
   cd your-repo

2. 安装依赖 | Install dependencies

   npm install

3. 打包 @medv/finder | Bundle @medv/finder

   npx webpack --config webpack.config.js

4. 启动应用 | Start the application

   npm start

使用 | Usage 🛠️

1. 启动应用后，在界面中输入您想要订阅的网站 URL。🌐

2. 点击“生成爬虫代码”按钮，工具将自动分析网站并生成相应的爬虫脚本。📝

3. 查看并复制生成的代码，您可以将其用于您的项目中。📋

示例 | Examples

输入 URL 并生成爬虫代码的界面示例

示例 | Examples 📂

以下是生成的爬虫代码示例：

const puppeteer = require('puppeteer');
const cheerio = require('cheerio');

(async () => {
    // 启动 Puppeteer 浏览器
    const browser = await puppeteer.launch({ headless: true });
    const page = await browser.newPage();

    // 导航到目标 URL
    await page.goto('https://hub.baai.ac.cn/?tag_id=90&sort=hot', { waitUntil: 'networkidle2' });

    // 获取页面内容
    const html = await page.content();

    // 使用 Cheerio 加载 HTML
    const $ = cheerio.load(html);

    const data = [];

    // 提取第 7 个元素
    const element6 = $('.story-list-container:nth-child(7) .story-item-title');
    if (element6.length > 0) {
        const title = element6.first().text().trim();
        // 根据需要调整摘要和时间的提取方式
        data.push({
            title: title,
            summary: "西湖大学吴泰霖课题组提出了一种新的生成式控制方法——扩散控制（DiffPhyCon）",
            time: "undefined"
        });
    }

    // 提取第 8 个元素
    const element7 = $('.story-list-container:nth-child(8) .story-item-title');
    if (element7.length > 0) {
        const title = element7.first().text().trim();
        // 根据需要调整摘要和时间的提取方式
        data.push({
            title: title,
            summary: "该研究探讨了复杂生态系统中微生物群落的多稳定性现象",
            time: "undefined"
        });
    }

    // 提取第 9 个元素
    const element8 = $('.story-list-container:nth-child(9) .story-item-title');
    if (element8.length > 0) {
        const title = element8.first().text().trim();
        // 根据需要调整摘要和时间的提取方式
        data.push({
            title: title,
            summary: "上周日，果壳儿参加了奇绩创坛2024年秋季创业营路演日",
            time: "undefined"
        });
    }

    // 提取第 11 个元素
    const element10 = $('.story-list-container:nth-child(11) .story-item-title');
    if (element10.length > 0) {
        const title = element10.first().text().trim();
        // 根据需要调整摘要和时间的提取方式
        data.push({
            title: title,
            summary: "清华大学交叉信息研究院濮云飞和段路明研究组在冷原子系统中实现12公里光纤长度上多模式增强的预报式原子",
            time: "undefined"
        });
    }

    // 提取第 12 个元素
    const element11 = $('.story-list-container:nth-child(12) .story-item-title');
    if (element11.length > 0) {
        const title = element11.first().text().trim();
        // 根据需要调整摘要和时间的提取方式
        data.push({
            title: title,
            summary: "OpenAI 发布了季首直播，主要介绍了两项更新：o1 完全体和 ChatGPT Pro",
            time: "undefined"
        });
    }

    // 输出提取的数据
    console.log(data);

    // 关闭浏览器
    await browser.close();
})();

贡献 | Contributing 🤝

非常欢迎您的贡献！🎉 请遵循以下步骤来贡献您的代码：

1. Fork 本仓库 | Fork the repository

2. 创建新分支 | Create a new branch

   git checkout -b feature/YourFeature

3. 提交更改 | Commit your changes

   git commit -m "Add some feature"

4. 推送到分支 | Push to the branch

   git push origin feature/YourFeature

5. 创建 Pull Request，我们将尽快审核您的贡献。🚀

贡献指南 | Contribution Guidelines 📜

• 代码风格 | Code Style：请遵循现有的代码风格和规范。
• 文档 | Documentation：确保文档更新与代码变更保持同步。
• 测试 | Tests：添加相应的测试以覆盖新功能或修复的 bug。
• 报告问题 | Report Issues：请先搜索现有问题，确保未被报告，然后详细描述您的问题或建议。

许可证 | License 📝

本项目使用 MIT 许可证。欢迎自由使用、修改和分发！🔓

This project is licensed under the MIT License. You are free to use, modify, and distribute it! 🔓

联系我们 | Contact 📬

有任何问题或建议，欢迎通过以下方式联系我：

• 邮箱 | Email: [email protected]
• GitHub: maskerprc

Feel free to reach out via the following channels:

• Email: [email protected]
• GitHub: maskerprc

鸣谢 | Acknowledgments 🙏

感谢以下项目和社区的支持与贡献：

• Electron - 桌面应用框架
• Puppeteer - Node.js 库，提供高级 API 来控制 Chromium 或 Chrome
• @medv/finder - 生成元素的唯一 CSS 选择器
• OpenAI - 提供强大的 AI 接口
• Shields.io - 用于生成徽章

Special thanks to the following projects and communities for their support and contributions:

• Electron - Desktop application framework
• Puppeteer - Node.js library providing a high-level API to control Chromium or Chrome
• @medv/finder - Generates unique CSS selectors for elements
• OpenAI - Provides powerful AI APIs
• Shields.io - For generating badges

📈 Star 历史