# web_crawler

**Repository Path**: mzk6/web_crawler

## Basic Information

- **Project Name**: web_crawler
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-23
- **Last Updated**: 2026-05-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 电商网站爬虫

基于 Playwright 的电商网站爬虫解决方案，支持登录状态管理和并发采集。

## 项目结构

```
ecommerce_crawler/
├── core/
│   ├── browser_manager.py    # 浏览器启动、上下文、登录状态管理
│   └── state_manager.py      # 保存/加载登录状态
├── scripts/
│   ├── collect_product_list.py   # 采集商品列表
│   ├── collect_product_detail.py # 采集商品详情
│   └── collect_user_orders.py    # 采集用户订单
├── utils/
│   └── logger.py            # 简单日志
├── storage/
│   ├── auth_state.json      # 登录状态缓存
│   └── results/             # 采集结果存放目录
├── config.py                # 配置文件
├── main.py                  # 入口：登录 + 并发采集
└── requirements.txt
```

## 安装依赖

```bash
pip install -r requirements.txt
playwright install chromium
```

## 配置

编辑 `config.py` 文件：
- `LOGIN_URL`: 登录页面 URL
- `USERNAME`: 用户名（可选）
- `PASSWORD`: 密码（可选）
- `HEADLESS`: 是否使用无头模式
- `TIMEOUT`: 超时时间（毫秒）
- `MAX_CONCURRENT`: 最大并发数

## 运行

```bash
python main.py
```

首次运行时，会打开浏览器进行手动登录，登录完成后按回车保存登录状态。后续运行会直接使用保存的登录状态。

## 自定义采集脚本

在 `scripts/` 目录下编写自己的采集脚本，参考现有脚本的结构：
- 使用 `BrowserContext` 创建新页面
- 使用 Playwright API 进行页面交互和数据提取
- 数据保存到 `storage/results/` 目录