Uploading the AI Crawler System: MindSpider

2025-08-27 13:49:07 +08:00
parent 822bad557f
commit 587e709e82
174 changed files with 34562 additions and 25 deletions
@@ -0,0 +1,115 @@
+# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
+# 1. 不得用于任何商业用途。
+# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
+# 3. 不得进行大规模爬取或对平台造成运营干扰。
+# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
+# 5. 不得用于任何非法或不当的用途。
+#
+# 详细许可条款请参阅项目根目录下的LICENSE文件。
+# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
+
+# 基础配置
+PLATFORM = "xhs"  # 平台，xhs | dy | ks | bili | wb | tieba | zhihu
+KEYWORDS = "黑神话钟馗,九三阅兵,种地吧,董璇,非亲生,医美风险,游戏科学,阅兵准备,热巴,醉驾判无罪"  # 关键词搜索配置，以英文逗号分隔
+LOGIN_TYPE = "qrcode"  # qrcode or phone or cookie
+COOKIES = ""
+CRAWLER_TYPE = "search"  # 爬取类型，search(关键词搜索) | detail(帖子详情)| creator(创作者主页数据)
+# 是否开启 IP 代理
+ENABLE_IP_PROXY = False
+
+# 代理IP池数量
+IP_PROXY_POOL_COUNT = 2
+
+# 代理IP提供商名称
+IP_PROXY_PROVIDER_NAME = "kuaidaili"  # kuaidaili | wandouhttp
+
+# 设置为True不会打开浏览器（无头浏览器）
+# 设置False会打开一个浏览器
+# 小红书如果一直扫码登录不通过，打开浏览器手动过一下滑动验证码
+# 抖音如果一直提示失败，打开浏览器看下是否扫码登录之后出现了手机号验证，如果出现了手动过一下再试。
+HEADLESS = True
+
+# 是否保存登录状态
+SAVE_LOGIN_STATE = True
+
+# ==================== CDP (Chrome DevTools Protocol) 配置 ====================
+# 是否启用CDP模式 - 使用用户现有的Chrome/Edge浏览器进行爬取，提供更好的反检测能力
+# 启用后将自动检测并启动用户的Chrome/Edge浏览器，通过CDP协议进行控制
+# 这种方式使用真实的浏览器环境，包括用户的扩展、Cookie和设置，大大降低被检测的风险
+ENABLE_CDP_MODE = False
+
+# CDP调试端口，用于与浏览器通信
+# 如果端口被占用，系统会自动尝试下一个可用端口
+CDP_DEBUG_PORT = 9222
+
+# 自定义浏览器路径（可选）
+# 如果为空，系统会自动检测Chrome/Edge的安装路径
+# Windows示例: "C:\\Program Files\\Google\\Chrome\\Application\\chrome.exe"
+# macOS示例: "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome"
+CUSTOM_BROWSER_PATH = ""
+
+# CDP模式下是否启用无头模式
+# 注意：即使设置为True，某些反检测功能在无头模式下可能效果不佳
+CDP_HEADLESS = False
+
+# 浏览器启动超时时间（秒）
+BROWSER_LAUNCH_TIMEOUT = 30
+
+# 是否在程序结束时自动关闭浏览器
+# 设置为False可以保持浏览器运行，便于调试
+AUTO_CLOSE_BROWSER = True
+
+# 数据保存类型选项配置,支持四种类型：csv、db、json、sqlite, 最好保存到DB，有排重的功能。
+SAVE_DATA_OPTION = "db"  # csv or db or json or sqlite
+
+# 用户浏览器缓存的浏览器文件配置
+USER_DATA_DIR = "%s_user_data_dir"  # %s will be replaced by platform name
+
+# 爬取开始页数 默认从第一页开始
+START_PAGE = 1
+
+# 爬取视频/帖子的数量控制
+CRAWLER_MAX_NOTES_COUNT = 10
+
+# 并发爬虫数量控制
+MAX_CONCURRENCY_NUM = 1
+
+# 是否开启爬媒体模式（包含图片或视频资源），默认不开启爬媒体
+ENABLE_GET_MEIDAS = False
+
+# 是否开启爬评论模式, 默认开启爬评论
+ENABLE_GET_COMMENTS = True
+
+# 爬取一级评论的数量控制(单视频/帖子)
+CRAWLER_MAX_COMMENTS_COUNT_SINGLENOTES = 20
+
+# 是否开启爬二级评论模式, 默认不开启爬二级评论
+# 老版本项目使用了 db, 则需参考 schema/tables.sql line 287 增加表字段
+ENABLE_GET_SUB_COMMENTS = False
+
+# 词云相关
+# 是否开启生成评论词云图
+ENABLE_GET_WORDCLOUD = False
+# 自定义词语及其分组
+# 添加规则：xx:yy 其中xx为自定义添加的词组，yy为将xx该词组分到的组名。
+CUSTOM_WORDS = {
+    "零几": "年份",  # 将“零几”识别为一个整体
+    "高频词": "专业术语",  # 示例自定义词
+}
+
+# 停用(禁用)词文件路径
+STOP_WORDS_FILE = "./docs/hit_stopwords.txt"
+
+# 中文字体文件路径
+FONT_PATH = "./docs/STZHONGS.TTF"
+
+# 爬取间隔时间
+CRAWLER_MAX_SLEEP_SEC = 2
+
+from .bilibili_config import *
+from .xhs_config import *
+from .dy_config import *
+from .ks_config import *
+from .weibo_config import *
+from .tieba_config import *
+from .zhihu_config import *