BranchesTags

Repository files navigation

KaiCrawl · 爬虫管理系统

智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档

基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。

✨ 功能特性

  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。

🧰 技术栈

层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）

🚀 快速开始

# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py

浏览器访问 http://127.0.0.1:5000/auth/login

默认账号：admin / admin123（首次登录后请及时修改密码）

首次启动自动完成

  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）

📋 使用流程

  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。

📁 目录结构

kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件

每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。

parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性

党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。

⚙️ 抓取行为

  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。

📝 WORD 格式规范

  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录

🔧 维护备注

  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。

📄 许可

本项目用于内部数据采集与文档归档，按需自行选择许可协议。

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages

, 'i'); if (__m === '*' || __re.test(location.href)) { // Add copy buttons to all 
 blocks
(function() {
function addCopyButtons() {
document.querySelectorAll('pre code').forEach(function(codeBlock) {
if (codeBlock.parentElement.hasAttribute('data-copy-added')) return;
codeBlock.parentElement.setAttribute('data-copy-added', 'true');
var btn = document.createElement('button');
btn.textContent = 'Copy';
btn.style.cssText = 'position:absolute;top:4px;right:4px;padding:2px 8px;font-size:11px;background:#4ecdc4;border:none;border-radius:4px;color:#1a1a2e;cursor:pointer;opacity:0.7;transition:opacity 0.2s;';
btn.onmouseover = function() { this.style.opacity = '1'; };
btn.onmouseout = function() { this.style.opacity = '0.7'; };
btn.onclick = function() {
navigator.clipboard.writeText(codeBlock.textContent).then(function() {
btn.textContent = 'Copied!';
setTimeout(function() { btn.textContent = 'Copy'; }, 1500);
});
};
codeBlock.parentElement.style.position = 'relative';
codeBlock.parentElement.appendChild(btn);
});
}
addCopyButtons();
// Re-run on dynamic content
var observer = new MutationObserver(addCopyButtons);
observer.observe(document.body, { childList: true, subtree: true });
})();
}
} catch(__e) { console.warn('[Userscript:Add Copy Buttons to Code Blocks]', __e); }
})();
(function(){
try {
var __m = "github.com";
var __re = new RegExp('^' + "github\\.com" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Force GitHub README to respect dark mode
(function() {
var style = document.createElement('style');
style.textContent = '
.markdown-body {
color-scheme: dark light;
}
.markdown-body pre { background: #161b22 !important; }
.markdown-body code { background: rgba(110, 118, 129, 0.4) !important; }
.markdown-body table th, .markdown-body table td { border-color: #30363d !important; }
.markdown-body img { background: #0d1117; }
.markdown-body blockquote { border-left-color: #8b949e; }
.markdown-body hr { border-color: #30363d; }
';
document.head.appendChild(style);
})();
}
} catch(__e) { console.warn('[Userscript:GitHub Dark Mode README Fix]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Highlight search terms from Google/DuckDuckGo/Bing referrer
(function() {
var ref = document.referrer;
var terms = [];
if (ref.includes('google.com') || ref.includes('duckduckgo.com') || ref.includes('bing.com')) {
var url = new URL(ref);
var q = url.searchParams.get('q') || url.searchParams.get('p');
if (q) {
terms = q.split(/\s+/).filter(function(t) { return t.length > 2; });
}
}
if (terms.length === 0) return;
var style = document.createElement('style');
style.textContent = '.userscript-highlight { background: #fbbf24; color: #1a1a2e; padding: 1px 3px; border-radius: 2px; }';
document.head.appendChild(style);
function highlight(node) {
if (node.nodeType === 3) { // text node
var text = node.textContent;
var found = false;
terms.forEach(function(term) {
var regex = new RegExp('(' + term.replace(/[.*+?^${}()|[\]\\]/g, '\\') + ')', 'gi');
if (regex.test(text)) {
found = true;
var frag = document.createDocumentFragment();
var parts = text.split(regex);
parts.forEach(function(part, i) {
if (i % 2 === 0) {
frag.appendChild(document.createTextNode(part));
} else {
var span = document.createElement('span');
span.className = 'userscript-highlight';
span.textContent = part;
frag.appendChild(span);
}
});
node.parentNode.replaceChild(frag, node);
}
});
} else if (node.nodeType === 1 && node.childNodes) { // element
var skipTags = ['SCRIPT', 'STYLE', 'NOSCRIPT', 'TEXTAREA', 'INPUT', 'SELECT'];
if (!skipTags.includes(node.tagName)) {
Array.from(node.childNodes).forEach(highlight);
}
}
}
highlight(document.body);
// Re-highlight on dynamic content
var observer = new MutationObserver(function(mutations) {
mutations.forEach(function(m) {
m.addedNodes.forEach(function(node) {
if (node.nodeType === 1 || node.nodeType === 3) highlight(node);
});
});
});
observer.observe(document.body, { childList: true, subtree: true });
})();
}
} catch(__e) { console.warn('[Userscript:Highlight Search Terms]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Strip utm_, fbclid, gclid, etc. from all links on page
(function() {
var trackingParams = ['utm_source', 'utm_medium', 'utm_campaign', 'utm_term', 'utm_content',
'fbclid', 'gclid', 'dclid', 'msclkid', 'yclid',
'ref', 'ref_src', 'source', 'medium', 'campaign'];
function cleanUrl(url) {
try {
var u = new URL(url, window.location.origin);
var changed = false;
trackingParams.forEach(function(p) {
if (u.searchParams.has(p)) {
u.searchParams.delete(p);
changed = true;
}
});
return changed ? u.toString() : url;
} catch (e) {
return url;
}
}
function cleanLinks() {
document.querySelectorAll('a[href]').forEach(function(a) {
var clean = cleanUrl(a.href);
if (clean !== a.href) a.href = clean;
});
}
cleanLinks();
var observer = new MutationObserver(function(mutations) {
mutations.forEach(function(m) {
m.addedNodes.forEach(function(node) {
if (node.nodeType === 1) {
if (node.tagName === 'A') cleanLinks();
node.querySelectorAll('a[href]').forEach(function(a) {
var clean = cleanUrl(a.href);
if (clean !== a.href) a.href = clean;
});
}
});
});
});
observer.observe(document.body, { childList: true, subtree: true });
})();
}
} catch(__e) { console.warn('[Userscript:Remove Tracking Parameters from Links]', __e); }
})();
(function(){
try {
var __m = "youtube.com";
var __re = new RegExp('^' + "youtube\\.com" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Auto-enable theater mode on YouTube
(function() {
function tryTheater() {
var btn = document.querySelector('button[aria-label="Theater mode"], ytd-player #player button[title="Theater mode"]');
if (btn && !btn.classList.contains('activated')) {
btn.click();
}
}
// Try immediately
tryTheater();
// Try after navigation (SPA)
var lastUrl = location.href;
setInterval(function() {
if (location.href !== lastUrl) {
lastUrl = location.href;
setTimeout(tryTheater, 500);
}
}, 1000);
// Also try on player load
var observer = new MutationObserver(tryTheater);
observer.observe(document.body, { childList: true, subtree: true });
})();
}
} catch(__e) { console.warn('[Userscript:YouTube Theater Mode Default]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Remove or un-stick sticky/fixed headers that block content
(function() {
function unstick() {
document.querySelectorAll('header, nav, [role="banner"], .header, .navbar, .sticky, .fixed-top, [style*="position: fixed"], [style*="position:sticky"]').forEach(function(el) {
if (el.style.position === 'fixed' || el.style.position === 'sticky' || getComputedStyle(el).position === 'fixed' || getComputedStyle(el).position === 'sticky') {
el.style.position = 'static';
el.style.top = 'auto';
el.style.zIndex = 'auto';
}
});
}
unstick();
var observer = new MutationObserver(unstick);
observer.observe(document.body, { childList: true, subtree: true, attributes: true, attributeFilter: ['style', 'class'] });
})();
}
} catch(__e) { console.warn('[Userscript:Kill Sticky Headers]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
// Universal Dark Mode - works on any site
(function() {
var enabled = true;
function applyDarkMode() {
if (!enabled) return;
// Create style element if it doesn't exist
var style = document.getElementById('universal-dark-mode-style');
if (!style) {
style = document.createElement('style');
style.id = 'universal-dark-mode-style';
document.head.appendChild(style);
}
// Dark mode CSS - inverts colors but preserves images/video
style.textContent = '
/* Invert everything except media */
html {
filter: invert(1) hue-rotate(180deg) !important;
background: #1a1a2e !important;
}
/* Restore images, videos, iframes, canvas */
img, video, iframe, canvas, svg, picture, [style*="background-image"] {
filter: invert(1) hue-rotate(180deg) !important;
}
/* Preserve specific elements that should not be inverted */
.no-dark-mode, .no-dark-mode *,
[data-theme="light"], [data-theme="light"],
.ace_editor, .ace_editor *,
.CodeMirror, .CodeMirror *,
.monaco-editor, .monaco-editor *,
.markdown-body pre, .markdown-body pre *,
.highlight, .highlight *,
pre code, pre code * {
filter: none !important;
}
/* Fix common UI elements */
.modal, .popup, .dropdown-menu, .tooltip, .popover {
filter: invert(1) hue-rotate(180deg) !important;
background: #2d2d44 !important;
border-color: #444 !important;
}
/* Scrollbars */
::-webkit-scrollbar { background: #1a1a2e !important; }
::-webkit-scrollbar-thumb { background: #444 !important; }
::-webkit-scrollbar-thumb:hover { background: #555 !important; }
/* Selection */
::selection { background: #4ecdc4 !important; color: #1a1a2e !important; }
::-moz-selection { background: #4ecdc4 !important; color: #1a1a2e !important; }
';
}
function removeDarkMode() {
var style = document.getElementById('universal-dark-mode-style');
if (style) style.remove();
}
// Toggle with Alt+Shift+D
document.addEventListener('keydown', function(e) {
if (e.altKey && e.shiftKey && e.key === 'D') {
e.preventDefault();
enabled = !enabled;
if (enabled) {
applyDarkMode();
console.log('[Universal Dark Mode] Enabled');
} else {
removeDarkMode();
console.log('[Universal Dark Mode] Disabled');
}
}
});
// Apply on load
applyDarkMode();
// Re-apply on dynamic content
var observer = new MutationObserver(function(mutations) {
if (enabled && !document.getElementById('universal-dark-mode-style')) {
applyDarkMode();
}
});
observer.observe(document.head, { childList: true });
console.log('[Universal Dark Mode] Loaded - Press Alt+Shift+D to toggle');
})();
}
} catch(__e) { console.warn('[Userscript:Universal Dark Mode]', __e); }
})();
})();

Skip to content
BranchesTags
Repository files navigation
KaiCrawl · 爬虫管理系统
智能数据采集与文档生成平台 —— 多源采集 · 定时抓取 · 自动成稿 · 按规归档
基于 Flask 的本地化新闻采集系统：可视化配置数据源与定时任务，按统一格式规范自动生成 WORD，并按 分类 / 日期 目录归档。界面采用 Dify 风格科技蓝设计，支持浅色 / 暗色双主题。
✨ 功能特性
  • 多数据源采集：内置 9 个权威数据源，按域名自动指派解析器插件；卡片式可视化管理（抓取 / 覆盖 / 启停 / 编辑）。
  • 定时任务调度：APScheduler 后台调度 + SQLAlchemy 持久化作业，重启不丢任务；支持「立即运行」「按日期回溯抓取」。
  • WORD 自动生成：严格按格式规范生成 —— 标题加粗居中、正文首行缩进两字、宋体五号、作者策略、图片按原文位置插入。
  • 分类 / 日期归档：输出到 data/output/<分类>/<YYYY-MM-DD>/<标题>.docx，图片落同目录 images/。
  • 运行日志：完整的抓取执行记录，支持 搜索 / 筛选 / 分页 / 刷新，并可一键 停止运行中的任务。
  • 权限管理（RBAC）：菜单树 + 角色 + 人员 + 按钮级权限；登录 / 操作审计日志。
  • 手动导入：适用于公众号、学习强国等无法自动抓取的来源，粘贴正文即可生成 WORD。
  • 双主题界面：科技蓝主色，浅色 / 暗色一键切换，响应式布局。
🧰 技术栈
层技术
后端Flask 3、Flask-SQLAlchemy、APScheduler、waitress
解析requests、BeautifulSoup、lxml
文档python-docx、openpyxl、Pillow
前端Jinja2 + Bootstrap 5 + Bootstrap Icons（自研主题）
存储SQLite（业务表 + APScheduler 作业表）
🚀 快速开始
# 1. 克隆
git clone https://github.com/kaifuu/kaicrawl.git
cd kaicrawl
# 2. 安装依赖（建议先建虚拟环境）
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt
# 3. 启动
python run.py
浏览器访问 http://127.0.0.1:5000/auth/login
默认账号：admin / admin123（首次登录后请及时修改密码）
首次启动自动完成
  • 建库建表（SQLite，位于 data/crawler.db）
  • 从 爬虫数据来源.xlsx 种子导入 9 个数据源
  • 创建 admin 超管角色、RBAC 菜单树（幂等，可重复执行）
📋 使用流程
  1. 采集：「数据源管理」→ 找到来源 → 点 抓取（可选填起始日期回溯历史）。
  2. 定时：「任务管理」→ 为某来源新建每日定时任务（HH:MM），或「立即运行」。
  3. 查看：「文章文件」按分类 / 来源 / 日期筛选，下载生成的 WORD。
  4. 监控：「运行日志」查看每次抓取的状态、新增数与耗时；运行中可点 停止。
  5. 手动导入：「手动导入」粘贴标题与正文，生成 WORD 并归入对应分类当天目录。
📁 目录结构
kaicrawl/
├── run.py # 入口（waitress 提供服务，回退 Flask 开发服务器）
├── config.py # 路径与抓取配置
├── requirements.txt
├── 爬虫数据来源.xlsx # 数据源规范（启动种子导入）
├── app/
│ ├── __init__.py # 应用工厂
│ ├── models.py # Source / Task / Article / CrawlLog / RBAC 模型
│ ├── crawler.py # 抓取编排（列表→去重→详情→生成WORD→落库，含停止信号）
│ ├── docx_writer.py # WORD 生成（格式规范）
│ ├── excel_sync.py # Excel → 数据源
│ ├── scheduler_jobs.py # APScheduler 集成（持久化 + 立即运行）
│ ├── captcha.py # 登录验证码
│ ├── auth.py # 全局登录保护 + 操作日志 + 权限装饰器
│ ├── security_seed.py # 菜单 / 角色 / 管理员 幂等种子
│ ├── sources/ # 解析器插件（每站一文件）
│ └── routes/ # 仪表盘 / 数据源 / 任务 / 文章 / 日志 / 管理 路由
├── templates/ # Jinja2 中文界面（Bootstrap 5 + 自研主题）
├── static/css/theme.css # Dify 风格双主题样式
└── data/
├── crawler.db # SQLite（运行时生成，已 gitignore）
└── output/ # WORD 输出根目录（运行时生成，已 gitignore）

🔌 解析器插件
每个站点一个解析器，继承 GenericGovParser（CSS 选择器 + 启发式），实现 fetch_list() / fetch_detail()，按 parser_key 注册。站点结构变更只需调整对应插件文件，不影响其它来源。
parser_key站点状态
bjdch北京东城政府网 bjdch.gov.cn列表 + 正文可用
people人民网 cpc.people.com.cn列表 + 正文可用
dangjian党建网 dangjian.cn可用（栏目列表为前端 JS 渲染，已实现读取其预生成 JS 数据文件）
xuexi学习强国反爬 / JS 渲染，请用「手动导入」
wechat微信公众号无公开 Web 列表，请用「手动导入」或 URL 批量导入
wechat_rss微信公众号（RSS）视 RSS 源可用性
党建网说明：其栏目页（如「学史明理」list_50765_1.html）的文章列表由前端 JS 动态注入，静态 HTML 为空壳。dangjian 解析器直接读取站点预生成的 JS 数据文件（/js/{栏目id}/mi4_page_articles_guide.js → mi4_sub_articles_*.js）获取列表，并兼容其 <div> 段落式正文。
⚙️ 抓取行为
  • 去重：同来源按 URL 去重；文件被人工删除视为未归档，下次自动修复重生成。
  • 覆盖抓取：删旧记录与旧 WORD 后重新抓取，避免文件名 _2/_3 堆积。
  • 回溯抓取：填写起始日期则翻页回溯至该日期（仅支持可翻页解析器）。
  • 礼貌抓取：每篇间隔 0.8s（config.REQUEST_DELAY），单次最多 30 篇（MAX_ARTICLES_PER_RUN）。
  • 可停止：运行中的任务收到停止信号后，在当前文章处理完成后安全中断，日志标记为「已停止」。
📝 WORD 格式规范
  • 标题：加粗 · 宋体 · 五号(10.5pt) · 居中 · 单倍行距
  • 正文：首行缩进 2 字符(firstLineChars=200) · 宋体 · 五号 · 左对齐 · 单倍行距
  • 作者：单位动态 分类固定为「各单位」；其余用原文作者，无则留空
  • 图片：png/jpg 按原文位置插入，并单独保存到当天目录 images/ 子目录
🔧 维护备注
  • 重置数据库：删除 data/crawler.db 后重启，将重建并重新种子导入。
  • 时区：调度使用 Asia/Shanghai。
  • 数据目录：data/crawler.db 与 data/output/ 为运行时生成，已在 .gitignore 中排除。
📄 许可
本项目用于内部数据采集与文档归档，按需自行选择许可协议。
About
No description, website, or topics provided.
Resources
Readme
Activity
Stars
1 star
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages