agenticaiplan 数据集搜索 (datasets-search)
爬取网络上关于数据集发布、开源、认证的新闻，自动提取关键信息并生成结构化报告。
核心功能
- 多源新闻爬取 - 从技术媒体、企业博客、开源社区等渠道获取数据集相关新闻
- 智能信息提取 - 自动识别数据集名称、企业名称、数据集描述
- 企业名称扩展 - 将企业简称（如"百度"、"阿里"）自动扩展为全称（如"北京百度网讯科技有限公司"、"阿里巴巴集团控股有限公司"）
- 质量标记 - 识别并标记被认证为"高质量数据集"的内容
- 增量报告 - 对比历史数据，输出本周新增的数据集信息
- 链接提取 - 抓取数据集开源链接、官方描述页面
工作流程
用户请求爬取数据集新闻
│
▼
运行爬虫脚本 → 抓取多个数据源
│
▼
解析提取信息 → 数据集名称/企业/描述/链接
│
▼
企业名称扩展 → 简称→全称映射
│
▼
质量标记识别 → 标记高质量数据集
│
▼
生成增量报告 → 对比历史输出新增内容
│
▼
返回结构化列表 → Markdown格式报告
使用方法
1. 爬取最新数据集新闻
python3 scripts/dataset_crawler.py --days 7 --output report.md
2. 查看增量报告（对比历史）
python3 scripts/dataset_crawler.py --incremental --state-file ~/.dataset_crawler_state.json
3. 指定数据源
python3 scripts/dataset_crawler.py --sources jiqizhixin,infoq,oschina
输出格式
生成的报告为Markdown格式，包含以下字段：
## 数据集新闻报告 (2024-01-15)
### 本周新增数据集 (5条)
| 数据集名称 | 企业名称 | 数据集描述 | 高质量标记 | 相关链接 |
|-----------|---------|-----------|-----------|---------|
| 百度文心大模型数据集 | 北京百度网讯科技有限公司 | 用于训练文心大模型的中文数据集，包含... | ⭐ | [链接](https://...) |
| AliQA开源问答数据集 | 阿里巴巴集团控股有限公司 | 面向电商领域的问答数据集，包含100万... | - | [GitHub](https://...) |
数据源配置
爬虫默认支持以下数据源，可在references/data_sources.md中查看详情和添加新源：
稳定数据源 ✅
| 数据源 | 类型 | 可用性 | 说明 |
|---|---|---|---|
| GitHub | 开源平台 | ⭐⭐⭐⭐⭐ | API 稳定，成功率高 |
| Gitee | 国内开源 | ⭐⭐⭐⭐ | API 可用，部分已知数据集 |
| ModelScope | 阿里云平台 | ⭐⭐⭐⭐ | API 可用，高质量数据集 |
| 智源研究院 | AI研究院 | ⭐⭐⭐⭐ | 已知数据集列表 |
| 数据堂/标贝/拓尔思/海天瑞声 | 数据服务商 | ⭐⭐⭐⭐ | 已知数据集列表 |
不稳定数据源 ⚠️
| 数据源 | 类型 | 可用性 | 说明 |
|---|---|---|---|
| 机器之心 | AI媒体 | ⭐⭐ | 有反爬措施，可能失败 |
| InfoQ | 技术平台 | ⭐⭐ | 有反爬措施，可能失败 |
| 开源中国 | 开源社区 | ⭐⭐ | 有反爬措施，可能失败 |
| 站长之家 | 技术媒体 | ⭐⭐ | 有反爬措施，可能失败 |
⚠️ 重要提示: 机器之心、InfoQ、开源中国等站点均有反爬措施，User-Agent 轮换和随机延迟不足以保证稳定可用。建议：
- 多次运行脚本以获取更多数据
- 或使用 web-access skill 作为降级方案检索这些站点
企业名称映射
企业简称到全称的映射表存储在references/company_mappings.md中。如需扩展映射关系，请编辑该文件。
常见映射示例：
- 百度 → 北京百度网讯科技有限公司
- 阿里/阿里巴巴 → 阿里巴巴集团控股有限公司
- 腾讯 → 深圳市腾讯计算机系统有限公司
- 字节/字节跳动 → 北京字节跳动科技有限公司
技术说明
依赖安装
pip install requests beautifulsoup4 lxml feedparser
反爬虫策略
- 内置请求间隔（默认2-5秒随机延迟）
- 使用User-Agent轮换
- 支持代理配置（通过环境变量
HTTP_PROXY/HTTPS_PROXY）
数据去重
通过数据集名称+企业名称的组合进行去重，状态文件保存在~/.dataset_crawler_state.json
定时任务配置
建议每周日执行一次，获取本周增量信息：
# 添加到crontab (Mac/Linux)
0 9 * * 0 cd /path/to/skill && python3 scripts/dataset_crawler.py --incremental --output weekly_report.md
注意事项
- 爬取成功率不保证: 部分数据源（机器之心、InfoQ、开源中国等）有反爬措施，可能无法获取数据
- 降级方案: 如需检索不稳定数据源，建议使用 web-access skill 进行更可靠的网页访问
- 推荐数据源: GitHub、Gitee、ModelScope、智源研究院等数据源稳定性较高
- 爬取频率请遵守各网站的robots.txt规则
- 建议使用增量模式避免重复处理历史数据
- 如遇网站结构变更，可能需要更新爬虫解析规则
降级方案
当内置爬虫无法获取某些数据源时，推荐以下替代方案：
1. 使用 web-access skill
# 使用 web-access skill 检索特定网站
/web-access https://www.jiqizhixin.com/search?query=数据集
2. 手动配置代理
# 设置代理环境变量
export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port
python3 scripts/dataset_crawler.py --days 7
3. 使用已知数据集列表
脚本内置了部分已知的高质量数据集列表（来自智源研究院、数据堂、标贝科技等），即使网络爬取失败，仍可返回这些基础数据。