Stats
Actions
Tags
Builds an automated AI data scraper for any public source (jobs, prices, news, GitHub, sports). Schedules scraping, enriches with free LLM (Gemini Flash), stores to Notion/Sheets/Supabase, and learns from feedback. Runs on GitHub Actions free tier. Use for monitoring and collecting public data automatically.
How this skill is triggered — by the user, by Claude, or both
Slash command
/everything-claude-code:data-scraper-agentThe summary Claude sees in its skill listing — used to decide when to auto-load this skill
为任何公开数据源构建生产就绪、AI 驱动的数据采集智能体。
为任何公开数据源构建生产就绪、AI 驱动的数据采集智能体。 按计划运行，使用免费 LLM 丰富结果，存储到数据库，并持续改进。
技术栈：Python · Gemini Flash（免费）· GitHub Actions（免费）· Notion / Sheets / Supabase
每个数据采集智能体都有三层：
COLLECT → ENRICH → STORE
│ │ │
抓取器 AI (LLM) 数据库
按计划 评分/ Notion /
运行 摘要 Sheets /
& 分类 Supabase
| 层 | 工具 | 原因 |
|---|---|---|
| 抓取 | requests + BeautifulSoup | 零成本，覆盖 80% 的公开网站 |
| JS 渲染站点 | playwright（免费） | 当 HTML 抓取失败时使用 |
| AI 丰富 | Gemini Flash REST API | 500 请求/天，1M token/天 — 免费 |
| 存储 | Notion API | 免费层，出色的审查 UI |
| 调度 | GitHub Actions cron | 公开仓库免费 |
| 学习 | 仓库中的 JSON 反馈文件 | 零基础设施，在 git 中持久化 |
构建智能体，在配额耗尽时自动回退到其他 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）
永远不要对每个项目单独调用 LLM。始终批量处理：
# 差：33 个项目调用 33 次 API
for item in items:
result = call_ai(item) # 33 次调用 → 触达速率限制
# 好：33 个项目调用 7 次 API（批量大小 5）
for batch in chunks(items, size=5):
results = call_ai(batch) # 7 次调用 → 保持在免费额度内
询问用户：
常见示例提示：
为用户生成此目录结构：
my-agent/
├── config.yaml # 用户自定义此文件（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：抓取 → 丰富 → 存储
│ ├── filters.py # 基于规则的预过滤器（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 # 带模型回退的 Gemini REST 客户端
│ ├── 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 DB/schema 创建
├── enrich_existing.py # 为旧行回填 AI 评分
├── requirements.txt
└── .github/
└── workflows/
└── scraper.yml # GitHub Actions 调度
适用于任何数据源的模板：
# scraper/sources/my_source.py
"""
[数据源名称] — 从 [哪里] 抓取 [什么]。
方法：[REST API / HTML 抓取 / 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 schema 的项目列表。
每个项目至少包含：name、url、date_found。
"""
results = []
# ---- REST API 数据源 ----
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 schema。"""
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 抓取模式：
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", "")
# 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，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 {}
# 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 AI 字段丰富的项目。"""
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"Item {i+1}: {json.dumps({k: v for k, v in item.items() if not k.startswith('_')})}"
for i, item in enumerate(batch)
)
return f"""分析这 {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}
# 指示
返回：{{"analyses": [{{"score": <0-100>, "summary": "<2 句话>", "notes": "<为什么匹配或不匹配>"}} 按顺序对应每个项目]}}
简洁为要。评分 90+=优秀匹配，70-89=良好，50-69=一般，<50=较弱。"""
# 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（正向信号）：")
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（负向信号）：")
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，查询数据库中具有正向/负向状态的项目，并使用提取的模式调用 save_feedback()。
# 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。成功时返回 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
# scraper/main.py
import os, sys, yaml
from pathlib import Path
from dotenv import load_dotenv
load_dotenv()
from scraper.sources import my_source # 添加你的数据源
# 注意：此示例使用 Notion。如果 storage.provider 是 "sheets" 或 "supabase"，
# 将此导入替换为 storage.sheets_sync 或 storage.supabase_sync，并相应更新
# 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 provider 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 sheets (SHEET_ID) 或 supabase (SUPABASE_TABLE) 等
print(f"错误：provider '{provider}' 尚未在 main.py 中接入"); 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() 读取由你的反馈同步脚本写入的 data/feedback.json。
# 要保持最新，实现一个单独的 feedback_sync.py，查询你的
# 存储提供者中具有正向/负向状态的项目并调用 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] 已跳过 — GEMINI_API_KEY 未设置")
added, skipped = sync(db_id, deduped)
print(f"完成 — {added} 个新增，{skipped} 个已存在")
if __name__ == "__main__":
main()
# .github/workflows/scraper.yml
name: Data Scraper Agent
on:
schedule:
- cron: "0 */3 * * *" # 每 3 小时 — 根据需要调整
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
# 如果在 requirements.txt 中启用了 Playwright，取消注释
# - name: 安装 Playwright 浏览器
# run: python -m playwright install chromium --with-deps
- name: 运行智能体
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: 提交反馈历史
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: 更新反馈历史"
git push
# 自定义此文件 — 无需修改代码
# 收集什么（AI 之前预过滤）
filters:
required_keywords: [] # 项目必须包含至少一个
blocked_keywords: [] # 项目不得包含任何
# 你的优先级 — AI 用这些进行评分
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
resp = requests.get(url, params={"q": query}, headers=HEADERS, timeout=15)
items = resp.json().get("results", [])
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"]
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", "")
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
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")
| 反模式 | 问题 | 修复 |
|---|---|---|
| 每个项目一次 LLM 调用 | 立即触达速率限制 | 每次调用批量 5 个项目 |
| 代码中硬编码关键词 | 不可复用 | 将所有配置移到 config.yaml |
| 不限速的抓取 | IP 封禁 | 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 |
| 不去重 | 重复行堆积 | 推送前始终检查 URL |
忽略 robots.txt | 法律/道德风险 | 遵守爬取规则；优先使用公开 API |
用 requests 抓取 JS 渲染站点 | 空响应 | 使用 Playwright 或查找底层 API |
maxOutputTokens 过低 | JSON 截断，解析错误 | 批量响应使用 2048+ |
| 服务 | 免费额度 | 典型用量 |
|---|---|---|
| Gemini Flash Lite | 30 RPM, 1500 RPD | 3 小时间隔约 56 请求/天 |
| Gemini 2.0 Flash | 15 RPM, 1500 RPD | 良好的回退选择 |
| Gemini 2.5 Flash | 10 RPM, 500 RPD | 节约使用 |
| GitHub Actions | 无限制（公开仓库） | 约 20 分钟/天 |
| Notion API | 无限制 | 约 200 次写入/天 |
| Supabase | 500MB 数据库, 2GB 流量 | 对大多数智能体足够 |
| Google Sheets API | 300 请求/分钟 | 适用于小型智能体 |
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 # 为 JS 渲染站点取消注释
在标记智能体完成之前：
config.yaml 控制所有面向用户的设置 — 没有硬编码值profile/context.md 保存用户特定上下文用于 AI 匹配maxOutputTokens ≥ 2048.env 在 .gitignore 中.env.example 用于上手引导setup.py 在首次运行时创建 DB schemaenrich_existing.py 为旧行回填 AI 评分feedback.json"帮我构建一个监控 Hacker News 上 AI 创业融资新闻的智能体"
"从 3 个电商网站抓取产品价格，降价时提醒"
"跟踪标记为 'llm' 或 'agents' 的新 GitHub 仓库 — 摘要每一个"
"从 LinkedIn 和 Cutshort 收集 Chief of Staff 职位列表到 Notion"
"监控一个提到我公司的子论坛 — 分类情感"
"每天从 arXiv 抓取我关心的主题的新学术论文"
"跟踪体育比赛结果并在 Google Sheets 中维护运行表格"
"构建一个房产列表观察器 — 低于 1000 万的新房产时提醒"
一个使用此精确架构构建的完整工作智能体会抓取 4+ 个数据源， 批量调用 Gemini，从 Notion 中存储的 Applied/Rejected 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。
npx claudepluginhub aaione/everything-claude-code-zhBuilds a scheduled AI-powered scraper (Python, Gemini Flash, GitHub Actions) for any public website or API, storing results in Notion/Sheets/Supabase and improving via feedback.
Builds scheduled AI agents to scrape public websites/APIs, enrich data with Gemini Flash LLM, store in Notion/Sheets/Supabase, and run free on GitHub Actions.
Automatically scrapes websites by analyzing page structure, handling pagination/anti-blocking, discovering article series using Playwright and Crawl4AI. Zero config needed.