[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ScrapeGraphAI--scrapecraft":3,"tool-ScrapeGraphAI--scrapecraft":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":10,"env_os":111,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":124,"github_topics":125,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":138,"updated_at":139,"faqs":140,"releases":141},3947,"ScrapeGraphAI\u002Fscrapecraft","scrapecraft","🤖 AI-powered web scraping editor with visual workflow builder. Build, test & deploy web scrapers using natural language. Powered by ScrapeGraphAI & LangGraph.","ScrapeCraft 是一款基于 AI 的可视化网页抓取编辑器，旨在让用户通过自然语言轻松构建、测试和部署数据采集流程。它解决了传统爬虫开发中代码编写复杂、反爬策略难应对以及数据清洗繁琐的痛点，将原本需要深厚编程功底的任务转化为直观的图形化操作。\n\n这款工具特别适合希望高效获取网络数据的开发者、数据分析师及研究人员，同时也对想要尝试爬虫技术但缺乏编码经验的普通用户十分友好。用户只需描述需求，ScrapeCraft 即可自动生成异步 Python 代码，并支持批量处理多个网址。\n\n其核心技术亮点在于深度集成了 ScrapeGraphAI 与 LangGraph 框架，利用 OpenRouter（如 Kimi-k2 模型）提供智能辅助。它不仅支持使用 Pydantic 动态定义数据结构以确保提取精度，还具备实时 WebSocket 流式传输能力，让用户能即时查看抓取进度与结果。此外，ScrapeCraft 提供表格与 JSON 双视图展示数据，并支持一键导出为 CSV 或 JSON 格式。配合 Docker 容器化部署与 Watchtower 自动更新机制，它能确保环境的一致性与系统的持","ScrapeCraft 是一款基于 AI 的可视化网页抓取编辑器，旨在让用户通过自然语言轻松构建、测试和部署数据采集流程。它解决了传统爬虫开发中代码编写复杂、反爬策略难应对以及数据清洗繁琐的痛点，将原本需要深厚编程功底的任务转化为直观的图形化操作。\n\n这款工具特别适合希望高效获取网络数据的开发者、数据分析师及研究人员，同时也对想要尝试爬虫技术但缺乏编码经验的普通用户十分友好。用户只需描述需求，ScrapeCraft 即可自动生成异步 Python 代码，并支持批量处理多个网址。\n\n其核心技术亮点在于深度集成了 ScrapeGraphAI 与 LangGraph 框架，利用 OpenRouter（如 Kimi-k2 模型）提供智能辅助。它不仅支持使用 Pydantic 动态定义数据结构以确保提取精度，还具备实时 WebSocket 流式传输能力，让用户能即时查看抓取进度与结果。此外，ScrapeCraft 提供表格与 JSON 双视图展示数据，并支持一键导出为 CSV 或 JSON 格式。配合 Docker 容器化部署与 Watchtower 自动更新机制，它能确保环境的一致性与系统的持续迭代，是打造现代化数据采集流水线的得力助手。","# ScrapeCraft - AI-Powered Web Scraping Editor\n\nScrapeCraft is a web-based scraping editor similar to Cursor but specialized for web scraping. It uses AI assistance to help users build scraping pipelines with the ScrapeGraphAI API.\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fdefaf7ad-23da-40b7-82cd-3b2a4d1d22c9\n\n[![API Banner](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FScrapeGraphAI_scrapecraft_readme_e3c57ec24837.png)](https:\u002F\u002Fscrapegraphai.com\u002F?utm_source=github&utm_medium=readme&utm_campaign=api_banner&utm_content=api_banner_image)\n## Features\n\n- 🤖 AI-powered assistant using OpenRouter (Kimi-k2 model)\n- 🔗 Multi-URL bulk scraping support\n- 📋 Dynamic schema definition with Pydantic\n- 💻 Python code generation with async support\n- 🚀 Real-time WebSocket streaming\n- 📊 Results visualization (table & JSON views)\n- 🔄 Auto-updating deployment with Watchtower\n\n## Tech Stack\n\n- **Backend**: FastAPI, LangGraph, ScrapeGraphAI\n- **Frontend**: React, TypeScript, Tailwind CSS\n- **Database**: PostgreSQL\n- **Cache**: Redis\n- **Deployment**: Docker, Docker Compose, Watchtower\n\n## Prerequisites\n\n- Docker and Docker Compose\n- OpenRouter API key (Get it from [OpenRouter](https:\u002F\u002Fopenrouter.ai\u002Fkeys))\n- ScrapeGraphAI API key (Get it from [ScrapeGraphAI](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin))\n\n## Quick Start with Docker\n\n1. **Clone the repository**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FScrapeGraphAI\u002Fscrapecraft.git\n   cd scrapecraft\n   ```\n\n2. **Set up environment variables**\n   ```bash\n   cp .env.example .env\n   ```\n   \n   Edit the `.env` file and add your API keys:\n   - `OPENROUTER_API_KEY`: Get from [OpenRouter](https:\u002F\u002Fopenrouter.ai\u002Fkeys)\n   - `SCRAPEGRAPH_API_KEY`: Get from [ScrapeGraphAI](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin)\n\n3. **Start the application with Docker**\n   ```bash\n   docker compose up -d\n   ```\n\n4. **Access the application**\n   - Frontend: http:\u002F\u002Flocalhost:3000\n   - API: http:\u002F\u002Flocalhost:8000\n   - API Docs: http:\u002F\u002Flocalhost:8000\u002Fdocs\n\n5. **Stop the application**\n   ```bash\n   docker compose down\n   ```\n\n## Development Mode\n\nIf you want to run the application in development mode without Docker:\n\n### Backend Development\n```bash\ncd backend\npip install -r requirements.txt\nuvicorn app.main:app --reload --host 0.0.0.0 --port 8000\n```\n\n### Frontend Development\n```bash\ncd frontend\nnpm install\nnpm start\n```\n\n## Usage\n\n1. **Create a Pipeline**: Click \"New Pipeline\" to start\n2. **Add URLs**: Use the URL Manager to add websites to scrape\n3. **Define Schema**: Create fields for data extraction\n4. **Generate Code**: Ask the AI to generate scraping code\n5. **Execute**: Run the pipeline to scrape data\n6. **Export Results**: Download as JSON or CSV\n\n## Remote Updates\n\nThe application includes Watchtower for automatic updates:\n\n1. Push new Docker images to your registry\n2. Watchtower will automatically detect and update containers\n3. No manual intervention required\n\n## API Endpoints\n\n- `POST \u002Fapi\u002Fchat\u002Fmessage` - Send message to AI assistant\n- `GET \u002Fapi\u002Fpipelines` - List all pipelines\n- `POST \u002Fapi\u002Fpipelines` - Create new pipeline\n- `PUT \u002Fapi\u002Fpipelines\u002F{id}` - Update pipeline\n- `POST \u002Fapi\u002Fpipelines\u002F{id}\u002Frun` - Execute pipeline\n- `WS \u002Fws\u002F{pipeline_id}` - WebSocket connection\n\n## Environment Variables\n\n| Variable | Description | How to Get |\n|----------|-------------|------------|\n| OPENROUTER_API_KEY | Your OpenRouter API key | [Get API Key](https:\u002F\u002Fopenrouter.ai\u002Fkeys) |\n| SCRAPEGRAPH_API_KEY | Your ScrapeGraphAI API key | [Get API Key](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin) |\n| JWT_SECRET | Secret key for JWT tokens | Generate a random string |\n| DATABASE_URL | PostgreSQL connection string | Auto-configured with Docker |\n| REDIS_URL | Redis connection string | Auto-configured with Docker |\n\n## License\n\nMIT\n","# ScrapeCraft - 基于 AI 的网页抓取编辑器\n\nScrapeCraft 是一个基于 Web 的抓取编辑器，类似于 Cursor，但专门用于网页抓取。它利用 AI 辅助功能，帮助用户通过 ScrapeGraphAI API 构建抓取管道。\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fdefaf7ad-23da-40b7-82cd-3b2a4d1d22c9\n\n[![API 横幅](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FScrapeGraphAI_scrapecraft_readme_e3c57ec24837.png)](https:\u002F\u002Fscrapegraphai.com\u002F?utm_source=github&utm_medium=readme&utm_campaign=api_banner&utm_content=api_banner_image)\n## 功能特性\n\n- 🤖 基于 OpenRouter（Kimi-k2 模型）的 AI 助手\n- 🔗 支持多 URL 批量抓取\n- 📋 使用 Pydantic 实现动态模式定义\n- 💻 生成支持异步的 Python 代码\n- 🚀 实时 WebSocket 流式传输\n- 📊 结果可视化（表格和 JSON 视图）\n- 🔄 使用 Watchtower 自动更新部署\n\n## 技术栈\n\n- **后端**: FastAPI、LangGraph、ScrapeGraphAI\n- **前端**: React、TypeScript、Tailwind CSS\n- **数据库**: PostgreSQL\n- **缓存**: Redis\n- **部署**: Docker、Docker Compose、Watchtower\n\n## 先决条件\n\n- Docker 和 Docker Compose\n- OpenRouter API 密钥（从 [OpenRouter](https:\u002F\u002Fopenrouter.ai\u002Fkeys) 获取）\n- ScrapeGraphAI API 密钥（从 [ScrapeGraphAI](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin) 获取）\n\n## 快速入门（使用 Docker）\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FScrapeGraphAI\u002Fscrapecraft.git\n   cd scrapecraft\n   ```\n\n2. **设置环境变量**\n   ```bash\n   cp .env.example .env\n   ```\n   \n   编辑 `.env` 文件并添加您的 API 密钥：\n   - `OPENROUTER_API_KEY`: 从 [OpenRouter](https:\u002F\u002Fopenrouter.ai\u002Fkeys) 获取\n   - `SCRAPEGRAPH_API_KEY`: 从 [ScrapeGraphAI](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin) 获取\n\n3. **使用 Docker 启动应用**\n   ```bash\n   docker compose up -d\n   ```\n\n4. **访问应用**\n   - 前端: http:\u002F\u002Flocalhost:3000\n   - API: http:\u002F\u002Flocalhost:8000\n   - API 文档: http:\u002F\u002Flocalhost:8000\u002Fdocs\n\n5. **停止应用**\n   ```bash\n   docker compose down\n   ```\n\n## 开发模式\n\n如果您想在开发模式下运行应用而无需使用 Docker：\n\n### 后端开发\n```bash\ncd backend\npip install -r requirements.txt\nuvicorn app.main:app --reload --host 0.0.0.0 --port 8000\n```\n\n### 前端开发\n```bash\ncd frontend\nnpm install\nnpm start\n```\n\n## 使用方法\n\n1. **创建管道**: 点击“新建管道”开始\n2. **添加 URL**: 使用 URL 管理器添加要抓取的网站\n3. **定义模式**: 创建用于数据提取的字段\n4. **生成代码**: 请求 AI 生成抓取代码\n5. **执行**: 运行管道以抓取数据\n6. **导出结果**: 可以下载为 JSON 或 CSV 格式\n\n## 远程更新\n\n该应用内置 Watchtower，可实现自动更新：\n\n1. 将新的 Docker 镜像推送到您的镜像仓库\n2. Watchtower 会自动检测并更新容器\n3. 无需手动干预\n\n## API 端点\n\n- `POST \u002Fapi\u002Fchat\u002Fmessage` - 向 AI 助手发送消息\n- `GET \u002Fapi\u002Fpipelines` - 列出所有管道\n- `POST \u002Fapi\u002Fpipelines` - 创建新管道\n- `PUT \u002Fapi\u002Fpipelines\u002F{id}` - 更新管道\n- `POST \u002Fapi\u002Fpipelines\u002F{id}\u002Frun` - 执行管道\n- `WS \u002Fws\u002F{pipeline_id}` - WebSocket 连接\n\n## 环境变量\n\n| 变量 | 描述 | 获取方式 |\n|----------|-------------|------------|\n| OPENROUTER_API_KEY | 您的 OpenRouter API 密钥 | [获取 API 密钥](https:\u002F\u002Fopenrouter.ai\u002Fkeys) |\n| SCRAPEGRAPH_API_KEY | 您的 ScrapeGraphAI API 密钥 | [获取 API 密钥](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin) |\n| JWT_SECRET | 用于 JWT 令牌的密钥 | 生成一个随机字符串 |\n| DATABASE_URL | PostgreSQL 连接字符串 | 由 Docker 自动配置 |\n| REDIS_URL | Redis 连接字符串 | 由 Docker 自动配置 |\n\n## 许可证\n\nMIT","# ScrapeCraft 快速上手指南\n\nScrapeCraft 是一款基于 Web 的 AI 驱动爬虫编辑器，专为构建数据采集管道设计。它利用 AI 助手（基于 OpenRouter）和 ScrapeGraphAI API，帮助用户快速定义数据结构、生成异步 Python 代码并执行批量抓取任务。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：支持 Docker 的 Linux、macOS 或 Windows (WSL2)。\n*   **核心依赖**：\n    *   [Docker](https:\u002F\u002Fwww.docker.com\u002F) 及 [Docker Compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F)\n    *   Git\n*   **API 密钥**（必须提前申请）：\n    *   **OpenRouter API Key**：用于调用 AI 模型（如 Kimi-k2）。[点击获取](https:\u002F\u002Fopenrouter.ai\u002Fkeys)\n    *   **ScrapeGraphAI API Key**：用于核心抓取功能。[点击获取](https:\u002F\u002Fscrapegraphai.com\u002Fauth\u002Flogin)\n\n> **提示**：国内开发者若访问 GitHub 或 Docker Hub 较慢，建议配置相应的镜像加速器或使用代理网络。\n\n## 安装步骤\n\n推荐使用 Docker 进行一键部署，这是最简便且隔离性最好的方式。\n\n### 1. 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FScrapeGraphAI\u002Fscrapecraft.git\ncd scrapecraft\n```\n\n### 2. 配置环境变量\n复制示例配置文件并编辑：\n```bash\ncp .env.example .env\n```\n\n使用文本编辑器打开 `.env` 文件，填入您申请的 API 密钥：\n```ini\nOPENROUTER_API_KEY=你的_OpenRouter_Key\nSCRAPEGRAPH_API_KEY=你的_ScrapeGraphAI_Key\nJWT_SECRET=随机生成的安全字符串\n# DATABASE_URL 和 REDIS_URL 在 Docker 模式下通常无需修改\n```\n\n### 3. 启动服务\n使用 Docker Compose 启动所有组件（后端、前端、数据库、缓存）：\n```bash\ndocker compose up -d\n```\n\n启动完成后，您可以通过以下地址访问：\n*   **前端界面**：http:\u002F\u002Flocalhost:3000\n*   **API 文档**：http:\u002F\u002Flocalhost:8000\u002Fdocs\n\n*(如需停止服务，运行 `docker compose down`)*\n\n---\n\n## 基本使用\n\n启动成功后，打开浏览器访问 `http:\u002F\u002Flocalhost:3000`，按以下步骤完成第一次数据采集：\n\n1.  **创建管道 (Create Pipeline)**\n    点击界面上的 **\"New Pipeline\"** 按钮，输入项目名称以创建新的抓取任务。\n\n2.  **添加目标网址 (Add URLs)**\n    在 URL 管理器中，输入您需要抓取的网页地址。支持一次性添加多个 URL 进行批量处理。\n\n3.  **定义数据架构 (Define Schema)**\n    使用 Pydantic 风格定义您想要提取的字段（例如：`title`, `price`, `description`）。您可以手动添加，也可以让 AI 协助生成。\n\n4.  **生成代码 (Generate Code)**\n    点击 AI 助手按钮，输入指令（例如：“生成提取上述字段的异步爬虫代码”）。系统将自动编写基于 `ScrapeGraphAI` 的 Python 代码。\n\n5.  **执行与查看 (Execute & View)**\n    点击 **\"Run\"** 执行管道。结果将通过 WebSocket 实时流式传输，您可以在表格视图或 JSON 视图中直接预览抓取到的数据。\n\n6.  **导出数据 (Export)**\n    任务完成后，支持将结果下载为 **JSON** 或 **CSV** 格式供后续分析使用。","某电商数据分析师需要每日从多个竞品网站抓取数千款商品的价格、库存及用户评价，以生成动态定价报告。\n\n### 没有 scrapecraft 时\n- 面对反爬机制频繁变化的网站，需手动编写和维护复杂的 Python 爬虫代码，每次网站改版都要花费数小时重构逻辑。\n- 处理多 URL 批量抓取时，难以统一管理异步任务，常因单个请求失败导致整个流程中断，排查错误耗时费力。\n- 提取非结构化数据（如嵌套的评论列表）时，需反复调试正则表达式或 XPath，且缺乏可视化的结果预览，验证效率极低。\n- 团队协作困难，业务人员无法直接参与定义所需字段，必须依赖开发人员将模糊需求转化为具体的代码逻辑。\n\n### 使用 scrapecraft 后\n- 只需通过自然语言描述目标（如“抓取所有带五星评价的商品”），scrapecraft 即可利用 AI 自动生成并适配 ScrapeGraphAI 的抓取管道，无需手写底层代码。\n- 在可视化界面中一键添加数百个商品链接，系统自动处理并发请求与错误重试，并通过 WebSocket 实时流式展示抓取进度。\n- 利用动态 Schema 定义功能，直接在界面上规划数据结构，AI 自动匹配提取规则，并即时以表格或 JSON 形式预览清洗后的数据。\n- 业务人员可独立在编辑器中调整提取字段，scrapecraft 实时更新后端逻辑并支持一键部署，大幅缩短了从需求到数据的交付周期。\n\nscrapecraft 将原本需要数天开发的定制化爬虫工程，转变为分钟级的自然语言交互任务，让数据采集变得像对话一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FScrapeGraphAI_scrapecraft_a93535e3.png","ScrapeGraphAI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FScrapeGraphAI_62519ef3.png","",null,"scrapegraphai","https:\u002F\u002Fscrapegraphai.com\u002F","https:\u002F\u002Fgithub.com\u002FScrapeGraphAI",[84,88,92,96,100,103],{"name":85,"color":86,"percentage":87},"Python","#3572A5",75.2,{"name":89,"color":90,"percentage":91},"TypeScript","#3178c6",23.6,{"name":93,"color":94,"percentage":95},"CSS","#663399",0.4,{"name":97,"color":98,"percentage":99},"Dockerfile","#384d54",0.3,{"name":101,"color":102,"percentage":99},"JavaScript","#f1e05a",{"name":104,"color":105,"percentage":106},"HTML","#e34c26",0.2,612,96,"2026-04-05T06:53:46","MIT","Linux, macOS, Windows","未说明",{"notes":114,"python":112,"dependencies":115},"该工具主要基于 Docker 和 Docker Compose 部署，需准备 OpenRouter API 密钥和 ScrapeGraphAI API 密钥。若不使用 Docker，后端需安装 requirements.txt 中的依赖并使用 uvicorn 运行，前端需 Node.js 环境运行 npm 命令。数据库 (PostgreSQL) 和缓存 (Redis) 在 Docker 模式下自动配置。",[116,117,76,118,89,119,120,121,122,123],"FastAPI","LangGraph","React","Tailwind CSS","PostgreSQL","Redis","OpenRouter API","Pydantic",[14,53,13,51,15],[126,127,128,129,130,131,132,133,80,134,135,136,137],"ai","automation","data-extraction","docker","fastapi","langgraph","python","react","typescript","web-scraping","webscraping","hacktoberfest","2026-03-27T02:49:30.150509","2026-04-06T06:55:38.129433",[],[]]