zhang_crawl_bio

项目概述

本项目是一个分布式任务处理系统，专注于从网页中提取数据并进行 HTML 转换。它采用模块化设计，支持多机分布部署，确保任务的可追踪性和实时性。

技术栈

• 编程语言: Python
• 任务调度: Celery
• 数据存储: SQLite
• HTML 转换: Pandoc, 自定义转换器
• 搜索引擎集成: 浏览器驱动（基于 DrissionPage 和 ChromiumPage）
• 网络支持: 解决 Cloudflare 人机验证 ； 自建代理池

功能特点

1. 分布式任务处理:

   • 使用 Celery 实现分布式任务调度。
   • Worker 可在多台机器上部署，支持长时间运行的任务。

2. HTML 转换:

   • 提供基础类 ConverterBase，用于处理 HTML 转换任务。
   • 支持提取内容、修复链接、过滤 Markdown 、转换成 docx 等功能。

3. 谷歌搜索功能:

   • 使用自定义浏览器驱动（基于 DrissionPage 和 ChromiumPage）模拟浏览器行为。
   • 支持动态代理配置和无头模式。
   • 通过 XPath 定位搜索框并输入关键词。
   • 处理分页逻辑，支持滚动加载和点击“下一页”按钮。
   • 提取搜索结果的标题、URL 和内容，并存储到数据库中。
   • 支持保存 HTML 页面以供后续分析。

4. 数据库交互:

   • 使用 SQLModel 与 SQLite 数据库交互，存储和检索搜索结果及转换结果。

5. 日志记录:

   • 使用自定义日志工具记录关键操作，便于排查问题。

项目结构

.
├── config/                # 配置文件
├── database/              # 数据库相关代码
├── tests/                 # 测试代码
├── utils/                 # 工具类和辅助函数
├── worker/                # 核心业务逻辑
│   ├── celery/            # Celery 任务定义
│   ├── html_convert/      # HTML 转换模块
│   └── search_engine/     # 浏览器驱动
└── readme.md              # 项目说明文档

价值亮点

• 高内聚低耦合: 模块间依赖关系清晰，易于扩展。
• 实时性与任务恢复: 支持任务进度的实时监控和失败点恢复。
• 灵活的数据处理: 支持多种数据源和转换方式，适应不同需求。

开始使用

1. 安装依赖:

   poetry install
   

2. 启动 Celery Worker:

   celery -A worker.celery.app worker --loglevel=info
   

3. 运行主程序:

   python main.py