-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathscrape_with_embeddings.py
More file actions
908 lines (765 loc) · 35.9 KB
/
scrape_with_embeddings.py
File metadata and controls
908 lines (765 loc) · 35.9 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Seeed Wiki 优化爬虫 - 爬取时生成并保存 Embedding 向量
支持中英文内容爬取,增量更新,定时检测新页面
使用 Ollama nomic-embed-text 模型 + FAISS 索引,加速启动和检索速度
"""
import requests
from bs4 import BeautifulSoup
import json
import time
import os
from urllib.parse import urljoin, urlparse
from collections import deque
import re
import numpy as np
import faiss
import pickle
import ollama
import hashlib
from datetime import datetime, timedelta
import threading
import schedule
class OptimizedWikiScraper:
def __init__(self, base_url="https://wiki.seeedstudio.com"):
self.base_url = base_url
self.session = requests.Session()
self.session.headers.update({
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
})
self.visited_urls = set()
self.all_content = []
self.url_queue = deque()
self.max_depth = 4 # 减少深度,专注于主要页面
# 数据文件路径
self.data_dir = "./data_base"
self.db_file = f"{self.data_dir}/seeed_wiki_embeddings_db.json"
self.faiss_index_file = f"{self.data_dir}/faiss_index.bin"
self.faiss_metadata_file = f"{self.data_dir}/faiss_metadata.pkl"
self.url_hash_file = f"{self.data_dir}/url_hashes.json"
self.last_update_file = f"{self.data_dir}/last_update.json"
# 确保数据目录存在
os.makedirs(self.data_dir, exist_ok=True)
# 加载已存在的数据
self.load_existing_data()
# 初始化 Ollama Embedding 模型
print("🚀 正在初始化 Ollama Embedding 模型...")
try:
# 检查 Ollama 服务
self.check_ollama_service()
# 使用 nomic-embed-text 模型
self.embedding_model = "nomic-embed-text"
# 测试模型
test_embedding = self.generate_embedding("test")
if test_embedding is not None:
self.dimension = len(test_embedding)
print(f"✅ Ollama Embedding 模型初始化完成: {self.dimension} 维")
print(f" 模型名称: {self.embedding_model}")
else:
raise Exception("模型测试失败")
except Exception as e:
print(f"❌ Ollama Embedding 模型初始化失败: {str(e)}")
print("请确保 Ollama 服务正在运行,并已安装 nomic-embed-text 模型")
print("安装命令: ollama pull nomic-embed-text")
raise
# 初始化 FAISS 索引
if os.path.exists(self.faiss_index_file) and self.faiss_vectors:
# 加载现有索引
self.faiss_index = faiss.read_index(self.faiss_index_file)
print(f"✅ 已加载现有 FAISS 索引: {self.faiss_index.ntotal} 个向量")
else:
# 创建新索引
self.faiss_index = faiss.IndexFlatIP(self.dimension)
print("✅ 创建新的 FAISS 索引")
print("✅ FAISS 索引初始化完成")
def load_existing_data(self):
"""加载已存在的数据"""
# 加载数据库
if os.path.exists(self.db_file):
try:
with open(self.db_file, 'r', encoding='utf-8') as f:
data = json.load(f)
self.all_content = data.get('pages', [])
print(f"📂 已加载 {len(self.all_content)} 个现有页面")
except Exception as e:
print(f"⚠️ 加载数据库失败: {str(e)}")
self.all_content = []
# 加载向量元数据
if os.path.exists(self.faiss_metadata_file):
try:
with open(self.faiss_metadata_file, 'rb') as f:
self.faiss_metadata = pickle.load(f)
self.faiss_vectors = [None] * len(self.faiss_metadata) # 占位符
print(f"📊 已加载 {len(self.faiss_metadata)} 个向量元数据")
except Exception as e:
print(f"⚠️ 加载向量元数据失败: {str(e)}")
self.faiss_metadata = []
self.faiss_vectors = []
# 加载URL哈希值
self.url_hashes = {}
if os.path.exists(self.url_hash_file):
try:
with open(self.url_hash_file, 'r', encoding='utf-8') as f:
self.url_hashes = json.load(f)
print(f"🔗 已加载 {len(self.url_hashes)} 个URL哈希值")
except Exception as e:
print(f"⚠️ 加载URL哈希值失败: {str(e)}")
self.url_hashes = {}
def save_url_hashes(self):
"""保存URL哈希值"""
with open(self.url_hash_file, 'w', encoding='utf-8') as f:
json.dump(self.url_hashes, f, ensure_ascii=False, indent=2)
def update_last_update_time(self):
"""更新最后更新时间"""
update_info = {
'last_update': datetime.now().isoformat(),
'total_pages': len(self.all_content),
'total_vectors': len(self.faiss_vectors)
}
with open(self.last_update_file, 'w', encoding='utf-8') as f:
json.dump(update_info, f, ensure_ascii=False, indent=2)
def should_update(self, force_check=False):
"""检查是否需要更新(24小时检查一次)"""
if force_check:
print("🔧 强制检查模式:忽略24小时限制")
return True
if not os.path.exists(self.last_update_file):
print("📂 未找到更新记录,需要完整检查")
return True
try:
with open(self.last_update_file, 'r', encoding='utf-8') as f:
last_update_info = json.load(f)
last_update_str = last_update_info.get('last_update')
if last_update_str:
last_update = datetime.fromisoformat(last_update_str)
time_diff = datetime.now() - last_update
hours_diff = time_diff.total_seconds() / 3600
if hours_diff >= 24:
print(f"⏰ 距离上次更新已超过24小时 ({hours_diff:.1f} 小时),需要更新")
return True
else:
print(f"⏰ 距离上次更新不足24小时 ({hours_diff:.1f} 小时),跳过更新")
return False
else:
print("⚠️ 更新记录不完整,需要检查")
return True
except Exception as e:
print(f"⚠️ 检查更新时间失败: {str(e)}")
return True
def check_ollama_service(self):
"""检查 Ollama 服务状态"""
try:
# 尝试获取可用模型列表
models = ollama.list()
print(f"✅ Ollama 服务正常,可用模型: {len(models['models'])} 个")
# 检查是否有 nomic-embed-text 模型
model_names = [model['name'] for model in models['models']]
if 'nomic-embed-text' not in model_names:
print("⚠️ 未找到 nomic-embed-text 模型,正在安装...")
ollama.pull('nomic-embed-text')
print("✅ nomic-embed-text 模型安装完成")
else:
print("✅ nomic-embed-text 模型已安装")
except Exception as e:
print(f"❌ Ollama 服务检查失败: {str(e)}")
raise
def is_valid_wiki_url(self, url):
"""检查是否为有效的 Wiki URL - 支持中英文页面"""
if not url or 'wiki.seeedstudio.com' not in url:
return False
# 排除文件类型
exclude_patterns = [
r'\.(pdf|doc|docx|xls|xlsx|zip|rar|jpg|jpeg|png|gif|svg|ico|css|js)$',
r'#.*$', r'\?.*$', r'/api/', r'/admin/',
]
for pattern in exclude_patterns:
if re.search(pattern, url, re.IGNORECASE):
return False
return True
def get_page_hash(self, url, content):
"""获取页面内容的哈希值"""
content_hash = hashlib.md5(content.encode('utf-8')).hexdigest()
return content_hash
def is_page_updated(self, url, content):
"""检查页面是否有更新"""
current_hash = self.get_page_hash(url, content)
old_hash = self.url_hashes.get(url)
if old_hash != current_hash:
self.url_hashes[url] = current_hash
return True
return False
def normalize_url(self, url):
"""标准化 URL"""
if not url.startswith('http'):
url = urljoin(self.base_url, url)
url = url.split('#')[0].split('?')[0]
if not re.search(r'\.[a-zA-Z0-9]+$', url) and not url.endswith('/'):
url += '/'
return url
def extract_links_from_page(self, soup, current_url):
"""从页面中提取所有有效的链接"""
links = set()
for link in soup.find_all('a', href=True):
href = link.get('href')
if href:
full_url = self.normalize_url(href)
if self.is_valid_wiki_url(full_url):
links.add(full_url)
return links
def extract_page_content(self, soup, url):
"""提取页面内容 - 支持中英文"""
title = soup.find('title')
title_text = title.get_text().strip() if title else "No Title"
content = ""
main_content = (
soup.find('main') or
soup.find('article') or
soup.find('div', class_='content') or
soup.find('div', class_='main') or
soup.find('div', class_='theme-doc-markdown') or
soup.find('div', class_='markdown') or
soup.find('div', {'role': 'main'})
)
if main_content:
# 移除脚本、样式、导航等元素
for element in main_content(["script", "style", "nav", "header", "footer"]):
element.decompose()
# 获取内容(中英文都获取)
paragraphs = main_content.find_all(['p', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6'])
if paragraphs:
intro_content = []
char_count = 0
max_chars = 800 # 增加字符数限制
for p in paragraphs[:8]: # 最多取前8个段落
p_text = p.get_text().strip()
if p_text and len(p_text) > 10: # 过滤太短的段落
intro_content.append(p_text)
char_count += len(p_text)
# 如果已经达到字符限制,停止收集
if char_count >= max_chars:
break
content = ' '.join(intro_content)
# 如果内容太短,尝试获取更多内容
if len(content) < 200:
full_text = main_content.get_text(separator=' ', strip=True)
content = full_text[:1000]
# 在句号处截断
if '.' in content:
last_period = content.rfind('.')
if last_period > 600:
content = content[:last_period + 1]
else:
# 如果没有找到段落标签,获取前1000字符
full_text = main_content.get_text(separator=' ', strip=True)
content = full_text[:1000]
# 在句号处截断
if '.' in content:
last_period = content.rfind('.')
if last_period > 600:
content = content[:last_period + 1]
else:
# 如果没有找到主要内容区域,获取 body 内容的前部分
body = soup.find('body')
if body:
for element in body(["script", "style", "nav", "header", "footer", "aside"]):
element.decompose()
full_text = body.get_text(separator=' ', strip=True)
content = full_text[:800] # 限制为800字符
# 在句号处截断
if '.' in content:
last_period = content.rfind('.')
if last_period > 400:
content = content[:last_period + 1]
# 清理内容
content = re.sub(r'\s+', ' ', content).strip()
# 添加内容摘要标记
if content and len(content) > 0:
# 检测语言
chinese_chars = len(re.findall(r'[\u4e00-\u9fff]', content))
english_chars = len(re.findall(r'[a-zA-Z]', content))
if chinese_chars > english_chars:
content = f"[中文介绍] {content}"
else:
content = f"[English Introduction] {content}"
# 如果内容被截断,添加省略号
if len(content) > 900:
content = content[:900] + "..."
return title_text, content
def generate_embedding(self, text):
"""使用 Ollama 生成文本的 embedding 向量"""
try:
# 使用 Ollama nomic-embed-text 模型生成 embedding
response = ollama.embeddings(model=self.embedding_model, prompt=text)
embedding = response["embedding"]
# 转换为 numpy 数组
embedding = np.array(embedding, dtype=np.float32)
# 归一化向量(用于余弦相似度计算)
embedding = embedding / np.linalg.norm(embedding)
return embedding
except Exception as e:
print(f"❌ Embedding 生成失败: {str(e)}")
return None
def scrape_page(self, url, depth=0):
"""爬取单个页面并生成 embedding"""
if url in self.visited_urls or depth > self.max_depth:
return set()
print(f"正在爬取 (深度 {depth}): {url}")
self.visited_urls.add(url)
try:
response = self.session.get(url, timeout=15)
response.raise_for_status()
soup = BeautifulSoup(response.content, 'html.parser')
title, content = self.extract_page_content(soup, url)
# 内容过滤
if content and len(content) > 50:
# 检查页面是否有更新
if not self.is_page_updated(url, content):
print(f" ⏭️ 页面无更新,跳过: {title}")
return set()
# 生成 embedding
print(f" 🔍 生成 Embedding...")
embedding = self.generate_embedding(content)
if embedding is not None:
# 检查是否已存在该页面
existing_page = None
for i, page in enumerate(self.all_content):
if page['url'] == url:
existing_page = i
break
# 保存页面数据
page_data = {
'url': url,
'title': title,
'content': content,
'depth': depth,
'content_length': len(content),
'timestamp': time.strftime('%Y-%m-%d %H:%M:%S'),
'language': '中文' if '[中文介绍]' in content else 'English'
}
if existing_page is not None:
# 更新现有页面
self.all_content[existing_page] = page_data
print(f" 🔄 已更新: {title}")
else:
# 添加新页面
self.all_content.append(page_data)
print(f" ✅ 已保存: {title}")
# 更新向量数据
if existing_page is not None:
# 更新现有向量
self.faiss_vectors[existing_page] = embedding
self.faiss_metadata[existing_page] = {
'title': title,
'url': url,
'content_length': len(content),
'timestamp': page_data['timestamp'],
'language': page_data['language']
}
else:
# 添加新向量
self.faiss_vectors.append(embedding)
self.faiss_metadata.append({
'title': title,
'url': url,
'content_length': len(content),
'timestamp': page_data['timestamp'],
'language': page_data['language']
})
print(f" 内容长度: {len(content)} 字符")
print(f" Embedding 维度: {embedding.shape}")
print(f" 语言: {page_data['language']}")
else:
print(f" ⚠ Embedding 生成失败,跳过: {title}")
else:
print(f" ⚠ 内容过短 ({len(content) if content else 0} 字符),跳过: {title}")
# 提取页面中的链接
new_links = self.extract_links_from_page(soup, url)
for link in new_links:
if link not in self.visited_urls:
self.url_queue.append((link, depth + 1))
return new_links
except Exception as e:
print(f" ✗ 爬取失败: {str(e)}")
return set()
def discover_initial_links(self):
"""发现初始链接集合"""
print("正在发现初始链接...")
initial_urls = [
self.base_url,
f"{self.base_url}/Getting_Started/",
f"{self.base_url}/sitemap.xml",
]
discovered_links = set()
for url in initial_urls:
try:
response = self.session.get(url, timeout=15)
if response.status_code == 200:
soup = BeautifulSoup(response.content, 'html.parser')
links = self.extract_links_from_page(soup, url)
discovered_links.update(links)
print(f"从 {url} 发现 {len(links)} 个链接")
except Exception as e:
print(f"无法访问 {url}: {str(e)}")
# 添加中英文目录
known_directories = [
# 英文目录
"/SensorandSensing/",
"/Networking/",
"/EdgeComputing/",
"/Cloud/",
"/TechnologyTopics/",
"/Contributions/",
"/WeeklyWiki/",
"/XIAO/",
"/Grove/",
"/SenseCAP/",
"/reComputer/",
"/WioTerminal/",
"/Odyssey/",
"/RaspberryPi/",
"/NVIDIAJetson/",
"/ESPDevices/",
"/BeagleBone/",
"/Arduino/",
"/Microbit/",
# 中文目录
"/zh/",
"/zh-cn/",
"/zh/SensorandSensing/",
"/zh/Networking/",
"/zh/EdgeComputing/",
"/zh/Cloud/",
"/zh/TechnologyTopics/",
"/zh/Contributions/",
"/zh/WeeklyWiki/",
"/zh/XIAO/",
"/zh/Grove/",
"/zh/SenseCAP/",
"/zh/reComputer/",
"/zh/WioTerminal/",
"/zh/Odyssey/",
"/zh/RaspberryPi/",
"/zh/NVIDIAJetson/",
"/zh/ESPDevices/",
"/zh/BeagleBone/",
"/zh/Arduino/",
"/zh/Microbit/"
]
for directory in known_directories:
full_url = urljoin(self.base_url, directory)
if self.is_valid_wiki_url(full_url):
discovered_links.add(full_url)
print(f"总共发现 {len(discovered_links)} 个初始链接")
return discovered_links
def build_faiss_index(self):
"""构建 FAISS 索引"""
if not self.faiss_vectors:
print("⚠️ 没有向量数据,跳过索引构建")
return False
print(f"\n🔧 构建 FAISS 索引...")
print(f" 向量数量: {len(self.faiss_vectors)}")
print(f" 向量维度: {self.dimension}")
try:
# 过滤掉None值
valid_vectors = [v for v in self.faiss_vectors if v is not None]
if not valid_vectors:
print("⚠️ 没有有效的向量数据")
return False
# 将向量转换为 numpy 数组
vectors_array = np.array(valid_vectors, dtype=np.float32)
# 创建新索引
self.faiss_index = faiss.IndexFlatIP(self.dimension)
self.faiss_index.add(vectors_array)
print(f"✅ FAISS 索引构建完成")
print(f" 索引大小: {self.faiss_index.ntotal}")
return True
except Exception as e:
print(f"❌ FAISS 索引构建失败: {str(e)}")
return False
def save_embeddings_and_index(self):
"""保存 embedding 向量和 FAISS 索引"""
print(f"\n💾 保存 Embedding 和索引...")
# 保存页面数据
output_file = f"{self.data_dir}/seeed_wiki_embeddings.json"
with open(output_file, 'w', encoding='utf-8') as f:
json.dump(self.all_content, f, ensure_ascii=False, indent=2)
print(f"📄 页面数据已保存到: {output_file}")
# 保存 FAISS 索引
faiss.write_index(self.faiss_index, self.faiss_index_file)
print(f"🔍 FAISS 索引已保存到: {self.faiss_index_file}")
# 保存向量元数据
with open(self.faiss_metadata_file, 'wb') as f:
pickle.dump(self.faiss_metadata, f)
print(f"📊 向量元数据已保存到: {self.faiss_metadata_file}")
# 保存URL哈希值
self.save_url_hashes()
print(f"🔗 URL哈希值已保存到: {self.url_hash_file}")
# 更新最后更新时间
self.update_last_update_time()
print(f"⏰ 最后更新时间已更新")
# 保存为数据库格式
db_data = {
'metadata': {
'total_pages': len(self.all_content),
'total_vectors': len([v for v in self.faiss_vectors if v is not None]),
'vector_dimension': self.dimension,
'crawl_time': time.strftime('%Y-%m-%d %H:%M:%S'),
'base_url': self.base_url,
'max_depth': self.max_depth,
'content_type': '中英文页面介绍摘要',
'embedding_model': 'nomic-embed-text',
'index_type': 'FAISS_IndexFlatIP',
'languages': ['中文', 'English'],
'last_update': datetime.now().isoformat()
},
'pages': self.all_content
}
with open(self.db_file, 'w', encoding='utf-8') as f:
json.dump(db_data, f, ensure_ascii=False, indent=2)
print(f"🗄️ 数据库格式已保存到: {self.db_file}")
# 统计信息
total_chars = sum(page.get('content_length', 0) for page in self.all_content)
avg_chars = total_chars / len(self.all_content) if self.all_content else 0
# 语言统计
chinese_pages = len([p for p in self.all_content if p.get('language') == '中文'])
english_pages = len([p for p in self.all_content if p.get('language') == 'English'])
print(f"\n📊 爬取统计:")
print(f" 总页面数: {len(self.all_content)}")
print(f" 中文页面: {chinese_pages}")
print(f" 英文页面: {english_pages}")
print(f" 总向量数: {len([v for v in self.faiss_vectors if v is not None])}")
print(f" 总字符数: {total_chars:,}")
print(f" 平均字符数: {avg_chars:.1f}")
print(f" 向量维度: {self.dimension}")
print(f"\n✅ 所有数据已保存完成!")
print(f"💡 现在可以使用优化版问答系统了")
print(f"🚀 启动命令: python optimized_qa.py")
def run_incremental_update(self, force_check=False):
"""运行增量更新"""
print("🔄 开始增量更新 Seeed Studio Wiki")
print(f"基础 URL: {self.base_url}")
print(f"最大深度: {self.max_depth}")
print(f"Embedding 模型: {self.embedding_model}")
# 检查是否需要更新
if not self.should_update(force_check):
print("⏰ 距离上次更新未满24小时,跳过更新")
print("💡 如需强制更新,请使用 --force-check 参数")
return
# 发现初始链接
initial_links = self.discover_initial_links()
# 将初始链接添加到队列
for link in initial_links:
self.url_queue.append((link, 0))
# 开始爬取
processed_count = 0
new_pages_count = 0
updated_pages_count = 0
while self.url_queue:
url, depth = self.url_queue.popleft()
if url in self.visited_urls:
continue
# 检查是否是新页面或需要更新
existing_page = None
for page in self.all_content:
if page['url'] == url:
existing_page = page
break
if existing_page:
# 检查是否需要更新
try:
response = self.session.head(url, timeout=10)
if response.status_code == 200:
# 获取页面内容检查是否有更新
full_response = self.session.get(url, timeout=15)
soup = BeautifulSoup(full_response.content, 'html.parser')
title, content = self.extract_page_content(soup, url)
if self.is_page_updated(url, content):
# 页面有更新,重新爬取
self.scrape_page(url, depth)
updated_pages_count += 1
else:
print(f"⏭️ 页面无更新,跳过: {existing_page['title']}")
self.visited_urls.add(url)
except Exception as e:
print(f"⚠️ 检查页面更新失败: {str(e)}")
self.visited_urls.add(url)
else:
# 新页面,爬取
self.scrape_page(url, depth)
new_pages_count += 1
processed_count += 1
# 显示进度
if processed_count % 10 == 0:
print(f"\n📊 进度: 已处理 {processed_count} 个页面,队列中还有 {len(self.url_queue)} 个")
print(f"📁 新页面: {new_pages_count},更新页面: {updated_pages_count}")
# 添加延迟避免请求过快
time.sleep(0.5)
# 构建 FAISS 索引
if self.build_faiss_index():
# 保存所有数据
self.save_embeddings_and_index()
print(f"\n🎉 增量更新完成!")
print(f"📊 统计信息:")
print(f" - 总共访问: {len(self.visited_urls)} 个页面")
print(f" - 新页面: {new_pages_count} 个")
print(f" - 更新页面: {updated_pages_count} 个")
print(f" - 总页面数: {len(self.all_content)} 个")
def run_full_crawl(self):
"""运行完整爬取"""
print("🚀 开始完整爬取 Seeed Studio Wiki (中英文页面介绍 + Embedding)")
print(f"基础 URL: {self.base_url}")
print(f"最大深度: {self.max_depth}")
print(f"Embedding 模型: {self.embedding_model}")
print(f"向量索引: FAISS 索引")
# 清空现有数据
self.all_content = []
self.faiss_vectors = []
self.faiss_metadata = []
self.url_hashes = {}
self.visited_urls = set()
# 发现初始链接
initial_links = self.discover_initial_links()
# 将初始链接添加到队列
for link in initial_links:
self.url_queue.append((link, 0))
# 开始爬取
processed_count = 0
while self.url_queue:
url, depth = self.url_queue.popleft()
if url in self.visited_urls:
continue
# 爬取页面
self.scrape_page(url, depth)
processed_count += 1
# 显示进度
if processed_count % 10 == 0:
print(f"\n📊 进度: 已处理 {processed_count} 个页面,队列中还有 {len(self.url_queue)} 个")
print(f"📁 已保存 {len(self.all_content)} 个页面")
print(f"🔍 已生成 {len(self.faiss_vectors)} 个向量")
# 添加延迟避免请求过快
time.sleep(0.5)
# 构建 FAISS 索引
if self.build_faiss_index():
# 保存所有数据
self.save_embeddings_and_index()
print(f"\n🎉 完整爬取完成!")
print(f"📊 统计信息:")
print(f" - 总共访问: {len(self.visited_urls)} 个页面")
print(f" - 成功保存: {len(self.all_content)} 个页面")
print(f" - 生成向量: {len(self.faiss_vectors)} 个")
print(f" - 最大深度: {max([page['depth'] for page in self.all_content]) if self.all_content else 0}")
return self.all_content
def run_continuous_monitor(self):
"""持续运行监控模式 - 检查新页面并定时更新"""
print("🔄 启动持续监控模式")
print("📊 功能说明:")
print(" - 实时检查新页面并更新到本地")
print(" - 每天凌晨12点自动进行完整数据库更新")
print(" - 按 Ctrl+C 停止监控")
def daily_update_job():
print(f"\n⏰ 执行每日定时更新任务 - {datetime.now()}")
try:
print("🔄 开始每日完整更新...")
self.run_incremental_update()
print("✅ 每日更新完成")
except Exception as e:
print(f"❌ 每日更新失败: {str(e)}")
def continuous_check_job():
"""持续检查新页面的任务"""
try:
print(f"\n🔍 执行持续检查任务 - {datetime.now()}")
self.run_quick_check()
except Exception as e:
print(f"❌ 持续检查失败: {str(e)}")
# 设置定时任务
schedule.every().day.at("00:00").do(daily_update_job) # 每天凌晨12点
schedule.every(30).minutes.do(continuous_check_job) # 每30分钟检查一次
print("⏰ 定时任务设置:")
print(" - 每日凌晨 00:00: 完整数据库更新")
print(" - 每 30 分钟: 快速检查新页面")
try:
while True:
schedule.run_pending()
time.sleep(60) # 每分钟检查一次定时任务
except KeyboardInterrupt:
print("\n⏹️ 持续监控已停止")
def run_quick_check(self):
"""快速检查新页面(不进行深度爬取)"""
print("🔍 快速检查新页面...")
# 获取主页面的链接
try:
response = self.session.get(self.base_url, timeout=10)
if response.status_code == 200:
soup = BeautifulSoup(response.content, 'html.parser')
new_links = self.extract_links_from_page(soup, self.base_url)
# 检查是否有新页面
new_pages_found = 0
for link in new_links:
if link not in self.url_hashes:
# 发现新页面,立即爬取
print(f"🆕 发现新页面: {link}")
try:
self.scrape_page(link, 0)
new_pages_found += 1
except Exception as e:
print(f"⚠️ 爬取新页面失败: {str(e)}")
if new_pages_found > 0:
print(f"✅ 快速检查完成,发现并爬取了 {new_pages_found} 个新页面")
# 保存更新
self.save_embeddings_and_index()
else:
print("✅ 快速检查完成,没有发现新页面")
else:
print(f"⚠️ 无法访问主页: {response.status_code}")
except Exception as e:
print(f"❌ 快速检查失败: {str(e)}")
def schedule_daily_update(self):
"""设置每日定时更新(兼容旧版本)"""
def daily_update_job():
print(f"\n⏰ 执行定时更新任务 - {datetime.now()}")
try:
self.run_incremental_update()
except Exception as e:
print(f"❌ 定时更新失败: {str(e)}")
# 每天凌晨2点执行更新
schedule.every().day.at("02:00").do(daily_update_job)
print("⏰ 已设置每日凌晨2点自动更新")
print("🔄 定时任务已启动,按 Ctrl+C 停止")
try:
while True:
schedule.run_pending()
time.sleep(60) # 每分钟检查一次
except KeyboardInterrupt:
print("\n⏹️ 定时任务已停止")
def main():
"""主函数"""
import argparse
parser = argparse.ArgumentParser(description='Seeed Wiki 爬虫')
parser.add_argument('--mode', choices=['full', 'incremental', 'schedule', 'monitor'],
default='incremental', help='运行模式')
parser.add_argument('--force', action='store_true', help='强制完整爬取')
parser.add_argument('--force-check', action='store_true', help='强制检查更新(忽略24小时限制)')
parser.add_argument('--check-interval', type=int, default=60,
help='监控模式下的检查间隔(分钟)')
args = parser.parse_args()
scraper = OptimizedWikiScraper()
try:
if args.mode == 'full' or args.force:
scraper.run_full_crawl()
elif args.mode == 'schedule':
scraper.schedule_daily_update()
elif args.mode == 'monitor':
scraper.run_continuous_monitor()
else:
scraper.run_incremental_update(force_check=args.force_check)
except KeyboardInterrupt:
print("\n\n⚠️ 用户中断爬取")
if scraper.all_content:
scraper.save_embeddings_and_index()
except Exception as e:
print(f"\n❌ 爬取过程中发生错误: {str(e)}")
if scraper.all_content:
scraper.save_embeddings_and_index()
if __name__ == "__main__":
main()