data-scraper-agent

Data Scraper Agent

构建一个生产就绪的、AI驱动的数据收集代理，适用于任何公共数据源。
按计划运行，使用免费LLM丰富结果，存储到数据库，并随时间改进。

技术栈：Python · Gemini Flash（免费）· GitHub Actions（免费）· Notion / Sheets / Supabase

何时激活

• 用户希望收集或监控任何公共网站或API
• 用户说“构建一个检查...的机器人”、“帮我监控X”、“从...收集数据”
• 用户希望跟踪工作、价格、新闻、仓库、体育比分、活动、列表
• 用户询问如何在不支付托管费用的情况下自动化数据收集
• 用户希望一个基于其决策随时间变得更智能的代理

核心概念

三层架构

每个数据收集代理都有三层：

收集 → 丰富 → 存储
  │       │       │
爬虫    AI (LLM)  数据库
按计划  评分/      Notion /
运行    总结       Sheets /
        和分类     Supabase

免费技术栈

层	工具	原因
爬取	requests + BeautifulSoup	零成本，覆盖80%的公共网站
JS渲染网站	playwright（免费）	当HTML获取失败时
AI丰富	Gemini Flash via REST API	每天500次请求，100万token——免费
存储	Notion API	免费层，优秀的审查界面
调度	GitHub Actions cron	公共仓库免费
学习	仓库中的JSON反馈文件	零基础设施，持久化在git中

AI模型回退链

构建代理以在配额耗尽时自动回退到Gemini模型：

gemini-2.0-flash-lite (30 RPM) →
gemini-2.0-flash (15 RPM) →
gemini-2.5-flash (10 RPM) →
gemini-flash-lite-latest (回退)

批量API调用以提高效率

永远不要为每个项目调用一次LLM。始终批量处理：

# 错误：33个项目需要33次API调用
for item in items:
    result = call_ai(item)  # 33次调用 → 达到速率限制

# 正确：33个项目只需7次API调用（批量大小5）
for batch in chunks(items, size=5):
    results = call_ai(batch)  # 7次调用 → 保持在免费层内

---

工作流程

步骤1：理解目标

询问用户：

1. 收集什么：“什么数据源？URL / API / RSS / 公共端点？”
2. 提取什么：“哪些字段重要？标题、价格、URL、日期、评分？”
3. 如何存储：“结果应该放在哪里？Notion、Google Sheets、Supabase还是本地文件？”
4. 如何丰富：“你希望AI对每个项目进行评分、总结、分类或匹配吗？”
5. 频率：“应该多久运行一次？每小时、每天、每周？”

常见示例提示：

• 招聘网站 → 根据简历评分相关性
• 产品价格 → 降价提醒
• GitHub仓库 → 总结新版本
• 新闻源 → 按主题+情感分类
• 体育结果 → 提取统计数据到追踪器
• 活动日历 → 按兴趣筛选

---

步骤2：设计收集架构

为用户生成以下目录结构：

my-agent/
├── config.yaml              # 用户自定义（关键词、过滤器、偏好）
├── profile/
│   └── context.md           # AI使用的用户上下文（简历、兴趣、标准）
├── scraper/
│   ├── __init__.py
│   ├── main.py              # 编排器：爬取 → 丰富 → 存储
│   ├── filters.py           # 基于规则的预过滤（快速，在AI之前）
│   └── sources/
│       ├── __init__.py
│       └── source_name.py   # 每个数据源一个文件
├── ai/
│   ├── __init__.py
│   ├── client.py            # Gemini REST客户端，带模型回退
│   ├── pipeline.py          # 批量AI分析
│   ├── jd_fetcher.py        # 从URL获取完整内容（可选）
│   └── memory.py            # 从用户反馈中学习
├── storage/
│   ├── __init__.py
│   └── notion_sync.py       # 或 sheets_sync.py / supabase_sync.py
├── data/
│   └── feedback.json        # 用户决策历史（自动更新）
├── .env.example
├── setup.py                 # 一次性数据库/模式创建
├── enrich_existing.py       # 对旧行回填AI评分
├── requirements.txt
└── .github/
    └── workflows/
        └── scraper.yml      # GitHub Actions调度

---

步骤3：构建源连接器

任何数据源的模板：

# scraper/sources/my_source.py
"""
[源名称] — 从[哪里]收集[什么]。
方法：[REST API / HTML爬取 / RSS源]
"""
import requests
from bs4 import BeautifulSoup
from datetime import datetime, timezone
from scraper.filters import is_relevant

HEADERS = {
    "User-Agent": "Mozilla/5.0 (compatible; research-bot/1.0)",
}


def fetch() -> list[dict]:
    """
    返回具有一致模式的项目列表。
    每个项目至少必须包含：name, url, date_found。
    """
    results = []

    # ---- REST API源 ----
    resp = requests.get("https://api.example.com/items", headers=HEADERS, timeout=15)
    if resp.status_code == 200:
        for item in resp.json().get("results", []):
            if not is_relevant(item.get("title", "")):
                continue
            results.append(_normalise(item))

    return results


def _normalise(raw: dict) -> dict:
    """将原始API/HTML数据转换为标准模式。"""
    return {
        "name": raw.get("title", ""),
        "url": raw.get("link", ""),
        "source": "MySource",
        "date_found": datetime.now(timezone.utc).date().isoformat(),
        # 在此添加领域特定字段
    }

HTML获取模式：

soup = BeautifulSoup(resp.text, "lxml")
for card in soup.select("[class*='listing']"):
    title = card.select_one("h2, h3").get_text(strip=True)
    link = card.select_one("a")["href"]
    if not link.startswith("http"):
        link = f"https://example.com{link}"

RSS源模式：

import xml.etree.ElementTree as ET
root = ET.fromstring(resp.text)
for item in root.findall(".//item"):
    title = item.findtext("title", "")
    link = item.findtext("link", "")

---

步骤4：构建Gemini AI客户端

# ai/client.py
import os, json, time, requests

_last_call = 0.0

MODEL_FALLBACK = [
    "gemini-2.0-flash-lite",
    "gemini-2.0-flash",
    "gemini-2.5-flash",
    "gemini-flash-lite-latest",
]


def generate(prompt: str, model: str = "", rate_limit: float = 7.0) -> dict:
    """调用Gemini，在429时自动回退。返回解析后的JSON或{}。"""
    global _last_call

    api_key = os.environ.get("GEMINI_API_KEY", "")
    if not api_key:
        return {}

    elapsed = time.time() - _last_call
    if elapsed < rate_limit:
        time.sleep(rate_limit - elapsed)

    models = [model] + [m for m in MODEL_FALLBACK if m != model] if model else MODEL_FALLBACK
    _last_call = time.time()

    for m in models:
        url = f"https://generativelanguage.googleapis.com/v1beta/models/{m}:generateContent?key={api_key}"
        payload = {
            "contents": [{"parts": [{"text": prompt}]}],
            "generationConfig": {
                "responseMimeType": "application/json",
                "temperature": 0.3,
                "maxOutputTokens": 2048,
            },
        }
        try:
            resp = requests.post(url, json=payload, timeout=30)
            if resp.status_code == 200:
                return _parse(resp)
            if resp.status_code in (429, 404):
                time.sleep(1)
                continue
            return {}
        except requests.RequestException:
            return {}

    return {}


def _parse(resp) -> dict:
    try:
        text = (
            resp.json()
            .get("candidates", [{}])[0]
            .get("content", {})
            .get("parts", [{}])[0]
            .get("text", "")
            .strip()
        )
        if text.startswith("```"):
            text = text.split("\n", 1)[-1].rsplit("```", 1)[0]
        return json.loads(text)
    except (json.JSONDecodeError, KeyError):
        return {}

---

步骤5：构建AI管道（批量）

# ai/pipeline.py
import json
import yaml
from pathlib import Path
from ai.client import generate

def analyse_batch(items: list[dict], context: str = "", preference_prompt: str = "") -> list[dict]:
    """批量分析项目。返回带有AI字段丰富后的项目。"""
    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    model = config.get("ai", {}).get("model", "gemini-2.5-flash")
    rate_limit = config.get("ai", {}).get("rate_limit_seconds", 7.0)
    min_score = config.get("ai", {}).get("min_score", 0)
    batch_size = config.get("ai", {}).get("batch_size", 5)

    batches = [items[i:i + batch_size] for i in range(0, len(items), batch_size)]
    print(f"  [AI] {len(items)} 个项目 → {len(batches)} 次API调用")

    enriched = []
    for i, batch in enumerate(batches):
        print(f"  [AI] 批次 {i + 1}/{len(batches)}...")
        prompt = _build_prompt(batch, context, preference_prompt, config)
        result = generate(prompt, model=model, rate_limit=rate_limit)

        analyses = result.get("analyses", [])
        for j, item in enumerate(batch):
            ai = analyses[j] if j < len(analyses) else {}
            if ai:
                score = max(0, min(100, int(ai.get("score", 0))))
                if min_score and score < min_score:
                    continue
                enriched.append({**item, "ai_score": score, "ai_summary": ai.get("summary", ""), "ai_notes": ai.get("notes", "")})
            else:
                enriched.append(item)

    return enriched


def _build_prompt(batch, context, preference_prompt, config):
    priorities = config.get("priorities", [])
    items_text = "\n\n".join(
        f"项目 {i+1}: {json.dumps({k: v for k, v in item.items() if not k.startswith('_')})}"
        for i, item in enumerate(batch)
    )

    return f"""分析以下{len(batch)}个项目并返回一个JSON对象。

# 项目
{items_text}

# 用户上下文
{context[:800] if context else "未提供"}

# 用户优先级
{chr(10).join(f"- {p}" for p in priorities)}

{preference_prompt}

# 指令
返回：{{"analyses": [{{"score": <0-100>, "summary": "<2句话>", "notes": "<为什么匹配或不匹配>"}} for each item in order]}}
简洁。评分90+=极佳匹配，70-89=良好，50-69=一般，<50=弱。"""

---

步骤6：构建反馈学习系统

# ai/memory.py
"""从用户决策中学习以改进未来评分。"""
import json
from pathlib import Path

FEEDBACK_PATH = Path(__file__).parent.parent / "data" / "feedback.json"


def load_feedback() -> dict:
    if FEEDBACK_PATH.exists():
        try:
            return json.loads(FEEDBACK_PATH.read_text())
        except (json.JSONDecodeError, OSError):
            pass
    return {"positive": [], "negative": []}


def save_feedback(fb: dict):
    FEEDBACK_PATH.parent.mkdir(parents=True, exist_ok=True)
    FEEDBACK_PATH.write_text(json.dumps(fb, indent=2))


def build_preference_prompt(feedback: dict, max_examples: int = 15) -> str:
    """将反馈历史转换为提示偏差部分。"""
    lines = []
    if feedback.get("positive"):
        lines.append("# 用户喜欢的项目（正面信号）：")
        for e in feedback["positive"][-max_examples:]:
            lines.append(f"- {e}")
    if feedback.get("negative"):
        lines.append("\n# 用户跳过/拒绝的项目（负面信号）：")
        for e in feedback["negative"][-max_examples:]:
            lines.append(f"- {e}")
    if lines:
        lines.append("\n使用这些模式来偏置新项目的评分。")
    return "\n".join(lines)

**与存储层集成：**每次运行后，查询数据库获取正面/负面状态的项目，并使用提取的模式调用save_feedback()。

---

步骤7：构建存储（Notion示例）

# storage/notion_sync.py
import os
from notion_client import Client
from notion_client.errors import APIResponseError

_client = None

def get_client():
    global _client
    if _client is None:
        _client = Client(auth=os.environ["NOTION_TOKEN"])
    return _client

def get_existing_urls(db_id: str) -> set[str]:
    """获取所有已存储的URL——用于去重。"""
    client, seen, cursor = get_client(), set(), None
    while True:
        resp = client.databases.query(database_id=db_id, page_size=100, **{"start_cursor": cursor} if cursor else {})
        for page in resp["results"]:
            url = page["properties"].get("URL", {}).get("url", "")
            if url: seen.add(url)
        if not resp["has_more"]: break
        cursor = resp["next_cursor"]
    return seen

def push_item(db_id: str, item: dict) -> bool:
    """将一个项目推送到Notion。成功返回True。"""
    props = {
        "Name": {"title": [{"text": {"content": item.get("name", "")[:100]}}]},
        "URL": {"url": item.get("url")},
        "Source": {"select": {"name": item.get("source", "Unknown")}},
        "Date Found": {"date": {"start": item.get("date_found")}},
        "Status": {"select": {"name": "New"}},
    }
    # AI字段
    if item.get("ai_score") is not None:
        props["AI Score"] = {"number": item["ai_score"]}
    if item.get("ai_summary"):
        props["Summary"] = {"rich_text": [{"text": {"content": item["ai_summary"][:2000]}}]}
    if item.get("ai_notes"):
        props["Notes"] = {"rich_text": [{"text": {"content": item["ai_notes"][:2000]}}]}

    try:
        get_client().pages.create(parent={"database_id": db_id}, properties=props)
        return True
    except APIResponseError as e:
        print(f"[notion] 推送失败：{e}")
        return False

def sync(db_id: str, items: list[dict]) -> tuple[int, int]:
    existing = get_existing_urls(db_id)
    added = skipped = 0
    for item in items:
        if item.get("url") in existing:
            skipped += 1; continue
        if push_item(db_id, item):
            added += 1; existing.add(item["url"])
        else:
            skipped += 1
    return added, skipped

---

步骤8：在main.py中编排

# scraper/main.py
import os, sys, yaml
from pathlib import Path
from dotenv import load_dotenv

load_dotenv()

from scraper.sources import my_source          # 添加你的源

# 注意：此示例使用Notion。如果storage.provider是"sheets"或"supabase"，
# 请将此导入替换为storage.sheets_sync或storage.supabase_sync，并更新
# 环境变量和sync()调用。
from storage.notion_sync import sync

SOURCES = [
    ("My Source", my_source.fetch),
]

def ai_enabled():
    return bool(os.environ.get("GEMINI_API_KEY"))

def main():
    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    provider = config.get("storage", {}).get("provider", "notion")

    # 根据提供者从环境变量解析存储目标标识符
    if provider == "notion":
        db_id = os.environ.get("NOTION_DATABASE_ID")
        if not db_id:
            print("错误：NOTION_DATABASE_ID未设置"); sys.exit(1)
    else:
        # 在此扩展以支持sheets（SHEET_ID）或supabase（SUPABASE_TABLE）等。
        print(f"错误：提供者'{provider}'尚未在main.py中连接"); sys.exit(1)

    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    all_items = []

    for name, fetch_fn in SOURCES:
        try:
            items = fetch_fn()
            print(f"[{name}] {len(items)} 个项目")
            all_items.extend(items)
        except Exception as e:
            print(f"[{name}] 失败：{e}")

    # 按URL去重
    seen, deduped = set(), []
    for item in all_items:
        if (url := item.get("url", "")) and url not in seen:
            seen.add(url); deduped.append(item)

    print(f"唯一项目：{len(deduped)}")

    if ai_enabled() and deduped:
        from ai.memory import load_feedback, build_preference_prompt
        from ai.pipeline import analyse_batch

        # load_feedback()读取由反馈同步脚本写入的data/feedback.json。
        # 要保持最新，请实现一个单独的feedback_sync.py，查询存储提供者
        # 获取正面/负面状态的项目，并调用save_feedback()。
        feedback = load_feedback()
        preference = build_preference_prompt(feedback)
        context_path = Path(__file__).parent.parent / "profile" / "context.md"
        context = context_path.read_text() if context_path.exists() else ""
        deduped = analyse_batch(deduped, context=context, preference_prompt=preference)
    else:
        print("[AI] 跳过——GEMINI_API_KEY未设置")

    added, skipped = sync(db_id, deduped)
    print(f"完成——新增{added}个，已存在{skipped}个")

if __name__ == "__main__":
    main()

---

步骤9：GitHub Actions工作流

# .github/workflows/scraper.yml
name: Data Scraper Agent

on:
  schedule:
    - cron: "0 */3 * * *"  # 每3小时——根据需要进行调整
  workflow_dispatch:        # 允许手动触发

permissions:
  contents: write   # 反馈历史提交步骤所需

jobs:
  scrape:
    runs-on: ubuntu-latest
    timeout-minutes: 20

    steps:
      - uses: actions/checkout@v4

      - uses: actions/setup-python@v5
        with:
          python-version: "3.11"
          cache: "pip"

      - run: pip install -r requirements.txt

      # 如果requirements.txt中启用了Playwright，请取消注释
      # - name: Install Playwright browsers
      #   run: python -m playwright install chromium --with-deps

      - name: Run agent
        env:
          NOTION_TOKEN: ${{ secrets.NOTION_TOKEN }}
          NOTION_DATABASE_ID: ${{ secrets.NOTION_DATABASE_ID }}
          GEMINI_API_KEY: ${{ secrets.GEMINI_API_KEY }}
        run: python -m scraper.main

      - name: Commit feedback history
        run: |
          git config user.name "github-actions[bot]"
          git config user.email "github-actions[bot]@users.noreply.github.com"
          git add data/feedback.json || true
          git diff --cached --quiet || git commit -m "chore: update feedback history"
          git push

---

步骤10：config.yaml模板

# 自定义此文件——无需修改代码

# 收集什么（AI之前的预过滤）
filters:
  required_keywords: []      # 项目必须至少包含一个
  blocked_keywords: []       # 项目不得包含任何

# 你的优先级——AI用于评分
priorities:
  - "示例优先级1"
  - "示例优先级2"

# 存储
storage:
  provider: "notion"         # notion | sheets | supabase | sqlite

# 反馈学习
feedback:
  positive_statuses: ["Saved", "Applied", "Interested"]
  negative_statuses: ["Skip", "Rejected", "Not relevant"]

# AI设置
ai:
  enabled: true
  model: "gemini-2.5-flash"
  min_score: 0               # 过滤掉低于此评分的项目
  rate_limit_seconds: 7      # API调用之间的秒数
  batch_size: 5              # 每次API调用的项目数

---

常见爬取模式

模式1：REST API（最简单）

resp = requests.get(url, params={"q": query}, headers=HEADERS, timeout=15)
items = resp.json().get("results", [])

模式2：HTML爬取

soup = BeautifulSoup(resp.text, "lxml")
for card in soup.select(".listing-card"):
    title = card.select_one("h2").get_text(strip=True)
    href = card.select_one("a")["href"]

模式3：RSS源

import xml.etree.ElementTree as ET
root = ET.fromstring(resp.text)
for item in root.findall(".//item"):
    title = item.findtext("title", "")
    link = item.findtext("link", "")
    pub_date = item.findtext("pubDate", "")

模式4：分页API

page = 1
while True:
    resp = requests.get(url, params={"page": page, "limit": 50}, timeout=15)
    data = resp.json()
    items = data.get("results", [])
    if not items:
        break
    for item in items:
        results.append(_normalise(item))
    if not data.get("has_more"):
        break
    page += 1

模式5：JS渲染页面（Playwright）

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch()
    page = browser.new_page()
    page.goto(url)
    page.wait_for_selector(".listing")
    html = page.content()
    browser.close()

soup = BeautifulSoup(html, "lxml")

---

应避免的反模式

反模式	问题	修复
每个项目一次LLM调用	立即达到速率限制	每次调用批量处理5个项目
代码中硬编码关键词	不可重用	将所有配置移至config.yaml
无速率限制的爬取	IP被封	在请求之间添加time.sleep(1)
在代码中存储密钥	安全风险	始终使用.env + GitHub Secrets
无去重	重复行堆积	在推送前始终检查URL
忽略robots.txt	法律/道德风险	遵守爬取规则；尽可能使用公共API
使用requests处理JS渲染网站	空响应	使用Playwright或查找底层API
maxOutputTokens太低	JSON截断，解析错误	批量响应使用2048+

---

免费层限制参考

服务	免费限制	典型使用
Gemini Flash Lite	30 RPM, 1500 RPD	3小时间隔约56次请求/天
Gemini 2.0 Flash	15 RPM, 1500 RPD	良好的回退
Gemini 2.5 Flash	10 RPM, 500 RPD	谨慎使用
GitHub Actions	无限（公共仓库）	约20分钟/天
Notion API	无限	约200次写入/天
Supabase	500MB数据库，2GB传输	适用于大多数代理
Google Sheets API	300次请求/分钟	适用于小型代理

---

依赖模板

requests==2.31.0
beautifulsoup4==4.12.3
lxml==5.1.0
python-dotenv==1.0.1
pyyaml==6.0.2
notion-client==2.2.1   # 如果使用Notion
# playwright==1.40.0   # 如果使用JS渲染网站，取消注释

---

质量检查清单

在标记代理完成之前：

• [ ] config.yaml控制所有面向用户的设置——无硬编码值
• [ ] profile/context.md保存用户特定上下文，用于AI匹配
• [ ] 每次存储推送前按URL去重
• [ ] Gemini客户端具有模型回退链（4个模型）
• [ ] 每次API调用批量大小≤5个项目
• [ ] maxOutputTokens ≥ 2048
• [ ] .env在.gitignore中
• [ ] 提供.env.example用于入门
• [ ] setup.py在首次运行时创建数据库模式
• [ ] enrich_existing.py回填旧行的AI评分
• [ ] GitHub Actions工作流在每次运行后提交feedback.json
• [ ] README涵盖：5分钟内设置、所需密钥、自定义

---

实际示例

"为我构建一个代理，监控Hacker News上AI创业融资新闻"
"从3个电商网站抓取产品价格，并在降价时提醒"
"跟踪标记为'llm'或'agents'的新GitHub仓库——总结每个仓库"
"从LinkedIn和Cutshort收集Chief of Staff职位列表到Notion"
"监控一个子版块中提及我公司的帖子——分类情感"
"每天从arXiv抓取我关心的主题的新学术论文"
"跟踪体育赛事结果并在Google Sheets中维护运行表"
"构建一个房地产列表观察器——在低于₹1 Cr的新房产上提醒"

---

参考实现

一个使用此确切架构构建的完整工作代理将从4个以上来源收集数据，批量调用Gemini，从存储在Notion中的已申请/已拒绝决策中学习，并在GitHub Actions上100%免费运行。按照上述步骤1-9构建你自己的代理。