电商价格监控与竞品分析平台

1、立项背景和目标：
随着电商竞争白热化，品牌方与零售商需实时掌握自身及竞品在各平台（如亚马逊、淘宝、京东国际站）的价格、库存、促销及用户评价动态，用于制定定价策略、监控渠道合规及进行市场分析。传统人工监控效率低下、覆盖面窄。本项目旨在构建一个自动化、高可用的分布式爬虫系统，实现对全球多个主流电商平台目标商品信息的7x24小时稳定采集、清洗、存储与可视化，为核心业务部门提供分钟级延迟的数据支持，辅助商业决策。
2、软件功能、核心功能模块的介绍：
调度中心模块：基于Redis，负责任务的优先级调度、去重与分发，管理爬虫节点状态。
爬虫核心模块：基于Scrapy框架，针对不同网站编写定制化Spider，负责页面下载、解析，处理反爬机制（IP代理、请求头轮换、验证码识别接口调用）。
数据管道模块：负责数据清洗（去重、格式化）、验证，并持久化存储至MongoDB，同时将异常数据与原始页面快照存储至备用库以供排查。
监控报警模块：监控爬虫运行指标（成功率、速度、错误类型），通过企业微信机器人推送异常报警。
管理后台模块：提供Web界面，用于管理监控任务、配置爬取规则、查看数据报表和导出数据。
3、业务流程、功能路径描述：
任务配置：运营人员在管理后台添加/编辑监控商品，输入商品URL或ID，并设置爬取频率（每30分钟）。
任务调度：调度中心将新任务封装为Request，推入Redis的待爬队列。爬虫节点（多台服务器）从队列中竞争获取任务。
页面抓取：爬虫节点根据任务类型选择对应的Spider，通过代理IP池发起请求，下载目标页面。若失败，根据策略重试或放入重试队列。
数据解析与清洗：下载成功的页面被Spider中编写的XPath/CSS规则解析，提取商品标题、价格、促销信息、评价数等结构化数据。数据管道对价格进行货币单位统一、去除无效字符。
数据存储与通知：清洗后的数据存入MongoDB的product_price集合，并生成一条变更记录。若价格波动超过预设阈值，系统触发企业微信通知。
监控反馈：所有抓取日志和状态指标实时汇总，展示在监控仪表盘上。

1、整体架构和设计思路，不同模块使用的技术栈：
系统采用“主从分布式”架构，确保高可用性与可扩展性。
调度与协调层：使用Redis作为核心，其List结构作为任务队列，Set进行URL去重，Hash存储节点心跳。技术栈：Redis, Python的redis-py库。
爬虫节点层：多个Scrapy实例作为Worker，从Redis队列拉取任务，彼此独立互不干扰。通过scrapy-redis库实现分布式调度。技术栈：Scrapy, scrapy-redis, 自定义Downloader Middleware处理代理和User-Agent。
数据存储层：使用MongoDB存储非结构化的商品详情和变化流水，便于 schema 灵活扩展。使用MySQL存储配置和用户数据。技术栈：MongoDB, PyMongo, MySQL, SQLAlchemy。
服务与展示层：使用Django开发管理后台，Grafana监控爬虫性能指标。技术栈：Django, Django REST framework, Grafana, Prometheus（自定义指标导出）。
2、“负责模块和结果：
负责模块：
核心爬虫Spider开发：主导开发了亚马逊美国站、淘宝天猫的爬虫，实现了商品列表页遍历、详情页抓取、AJAX接口数据提取的全流程。
反爬对抗体系搭建：负责集成第三方代理IP服务，设计并实现了IP自动切换、请求延迟随机化、浏览器指纹模拟的中间件。
数据管道与存储优化：编写了数据清洗管道，并设计了MongoDB的索引策略，将数据查询效率提升约70%。
量化结果：
成功实现日均稳定抓取超过50万个商品页面，核心字段（价格、库存）抽取准确率达99.5%以上。
搭建的代理中间件使单IP被封概率下降85%，整体爬虫可用性维持在99.8%。
通过优化MongoDB的写入批处理和索引，将数据入库速度从最初的1500条/分钟提升至5000条/分钟。