通用爬虫系统 (universal-crawler)

基于原 tpu_crawler（Playwright + stealth + 系统 Chrome）改造的全能网页爬取管理系统。 可爬取任意网址，自带 Web 管理界面，支持批量、定时、自动三种模式。

快速开始

./start.sh            # 启动 (默认端口 16062)
./start.sh stop       # 停止
./start.sh restart    # 重启
./start.sh status     # 查看状态

启动后打开管理界面：http://<服务器IP>:16062/

环境要求（本机已具备）：

• Python 3.12 (/home/hz1/miniconda3/envs/openclaw/bin/python)
• flask / playwright / playwright-stealth
• 系统 Chrome /usr/bin/google-chrome

功能总览

1. 前端管理界面

• 任务卡片总览：状态、进度、统计、下次调度时间一目了然
• 一键操作：开始 / 暂停 / 恢复 / 终止 / 编辑 / 删除
• 任务详情：历次运行记录、结果明细表（HTML/TXT 在线预览）、图片缩略图、实时日志
• 运行中的任务参数支持热更新（修改后从下一页起生效）

2. 批量爬取模式

一次粘贴多个网址（每行一个，# 注释），可配置：

• 项目名称、输出目录（默认 out/<任务ID>，可填绝对路径）
• 爬取间隔（随机秒数区间，防封 IP）、单页超时
• 失败重试次数 / 重试间隔
• 是否爬取图片（自动下载页面图片到 xxx_img/ 目录）
• 完成后邮件通知（复用 send_email.py，默认发到 wlq@tphai.com）

3. 定时爬取模式

• 间隔调度：每 N 分钟 / 小时 / 天
• cron 表达式：5 段式（分 时 日 月 周，周 0/7=周日），如 0 3 * * * 每天凌晨 3 点
• 可启用/停用调度，自动计算下次执行时间；到点自动开跑，跑完自动计算下一次

4. 自动爬取模式

给定一个起始网址，系统自动从页面里发现链接、按规则筛选后 BFS 爬取：

• 包含规则：只爬包含指定子串（或正则）的链接
• 排除规则：跳过匹配的链接（如 login、/tag/）
• 仅同域名：限制在起始网站内
• 最大页数 / 最大深度：控制爬取规模
• 其余参数（间隔、重试、图片、通知）同批量模式

输出文件

每个任务输出到独立目录（默认 out/<任务ID>/）：

• NNNN_<域名>_<时间戳>.html — 完整网页
• NNNN_<域名>_<时间戳>.txt — 提取的纯文本正文
• NNNN_<域名>_<时间戳>_img/ — 下载的图片（开启图片爬取时）

API 速查

方法	路径	说明
GET	/api/tasks	任务列表（含最新运行）
POST	/api/tasks	创建任务
GET/PUT/DELETE	/api/tasks/<id>	详情 / 修改 / 删除
POST	/api/tasks/<id>/start	开始爬取
POST	/api/tasks/<id>/pause	暂停
POST	/api/tasks/<id>/resume	恢复
POST	/api/tasks/<id>/stop	终止
GET	/api/runs/<rid>	运行详情（结果+日志）
GET	/api/runs/<rid>/logs?offset=N	增量日志
GET	/api/file?task_id=&path=	读取输出文件（HTML/TXT/图片）

目录结构

universal-crawler/
├── app.py          # Flask 主服务 (端口 16062)
├── engine.py       # 爬虫引擎 (批量/自动/图片/重试/暂停恢复)
├── scheduler.py    # 定时调度器 (间隔 + cron)
├── store.py        # 任务/运行记录持久化 (JSON)
├── notify.py       # 邮件通知
├── static/         # 前端管理界面
├── data/           # 运行时数据 (任务、运行记录、cookie)
├── out/            # 默认爬取输出
├── legacy/         # 原 tpu_crawler 脚本备份
└── start.sh        # 启动脚本 (PID 文件管理)

注意事项

• 爬取前尊重目标站点 robots.txt / 使用条款，仅用于合法用途
• 延迟别设太低（建议 ≥1s），高频访问会被封 IP
• 每个任务独立的 cookie 文件，互不干扰；被反爬拦截时删除 data/cookies_<任务ID>.json 重新验证