大模型-爬虫prompt

爬虫怎么写prompt

以下基于deepseek r1 总结：

以下是为大模型设计的结构化Prompt模板，用于生成专业级网络爬虫Python脚本。此Prompt包含技术约束、反检测策略和数据处理要求，可根据具体需求调整参数：

爬虫脚本生成Prompt模板1

请按照以下要求生成一个Python网络爬虫脚本：

1. 目标网站信息

网站URL：[在此填写具体网址，如https://example.com/products\]
目标数据：[明确描述需要爬取的数据，如商品名称/价格/评论等]
页面类型：[静态HTML/动态渲染/API接口/分页列表/详情页等]

2. 技术要求

python 复制代码

# 必选技术栈
from selenium.webdriver import ChromeOptions
from bs4 import BeautifulSoup
import pandas as pd
import requests

3. 反检测要求

实现随机User-Agent轮换
设置合理请求间隔（2-5秒）
处理Cloudflare等反爬机制
使用IP代理池（如需）

3. 数据存储规范

输出格式：JSON/CSV/Excel（选择一种）

字段清洗要求：[如去除HTML标签/统一货币格式等]

去重机制：[基于URL/ID/时间戳等]

5. 异常处理

HTTP错误码处理（403/404/500等）

超时重试机制（最多3次）

反爬触发时的自动规避策略

6. 性能优化

并发请求数限制

缓存已爬取URL

增量爬取支持

7. 输出示例

json 复制代码

// 展示期望的数据结构样例
{
  "product_id": "123",
  "name": "智能手机",
  "price": {"original": 5999, "discount": 5499},
  "rating": 4.5
}

8. 特殊要求

是否需要登录/验证码处理

是否处理JavaScript渲染内容

是否有地理限制

请生成完整可运行的Python代码，包含：

反爬绕过实现

数据解析逻辑

存储模块

日志记录系统

进度监控功能

爬虫脚本生成Prompt模板2（供参考）

技术栈明确化

要求使用：
- requests-html 处理动态渲染
- Scrapy-Redis 实现分布式爬取
- PyQuery 代替XPath解析
反爬策略强化

需要实现：
- 鼠标移动轨迹模拟
- 指纹浏览器配置
- TLS指纹混淆
数据合规性要求

遵守：
- robots.txt规则
- 欧盟GDPR数据保护
- 目标网站ToS条款
性能指标量化

控制：
- 请求频率 ≤ 10次/分钟
- 内存占用 < 500MB
- 断点续爬功能

示例输出（简版爬虫）

根据上述Prompt，大模型可能生成的代码框架：

python 复制代码

import requests
from fake_useragent import UserAgent
import time
import json
from bs4 import BeautifulSoup

class ProfessionalCrawler:
    def __init__(self):
        self.session = requests.Session()
        self.ua = UserAgent()
        self.proxies = {"http": "socks5://127.0.0.1:1080"}
        
    def get_random_headers(self):
        return {
            'User-Agent': self.ua.random,
            'Accept-Language': 'en-US,en;q=0.9',
            'Referer': 'https://www.google.com/'
        }
    
    def scrape(self, url):
        try:
            resp = self.session.get(
                url,
                headers=self.get_random_headers(),
                proxies=self.proxies,
                timeout=10
            )
            resp.raise_for_status()
            
            # 使用BS4解析
            soup = BeautifulSoup(resp.text, 'lxml')
            data = {
                'title': soup.find('h1').get_text().strip(),
                'price': float(soup.select('.price')[0].text.replace('$', ''))
            }
            
            # 智能延迟
            time.sleep(max(2, min(5, len(resp.text)/5000)))
            
            return data
            
        except Exception as e:
            print(f"爬取失败: {str(e)}")
            return None

if __name__ == '__main__':
    crawler = ProfessionalCrawler()
    result = crawler.scrape("https://example.com/product/123")
    with open('output.json', 'w') as f:
        json.dump(result, f, indent=2)

Prompt优化建议

增加约束条件
补充要求：
- 代码必须通过Pylint检测
- 支持Docker容器化部署
- 包含单元测试模块
指定架构模式

要求采用：
- 生产者-消费者模式处理队列
- 状态机管理爬取流程
- 支持Prometheus监控
法律声明

必须包含：
- 版权声明注释
- 使用条款确认
- 数据删除接口