AI-Goofish-Monitor 是基于 Playwright 和 AI 技术的闲鱼商品实时监控工具。提供 Web 管理界面，支持多任务监控、自然语言创建任务及多模态大模型分析。具备数据采集、智能过滤、多渠道通知（企业微信、Bark 等）及 Docker 部署能力。适用于二手相机、限量版球鞋及电子产品降价监控。通过模拟真人操作和反爬优化提高稳定性。需遵守平台协议，仅供技术研究使用。
AI-Goofish-Monitor 是一个基于 Playwright 和 AI 技术的闲鱼（Goofish）多任务实时监控与智能分析工具。通过先进的浏览器自动化技术和多模态大语言模型，为用户提供智能化的闲鱼商品监控解决方案。该工具不仅具备强大的数据采集能力，还配备了功能完善的 Web 管理界面，让用户能够轻松管理和配置监控任务。
技术特色：
| 功能类别 | 核心能力 | 技术实现 |
|---|---|---|
| 数据采集 | 闲鱼商品实时监控，多关键词同时采集 | Playwright, 浏览器自动化 |
| AI 分析 | 多模态商品分析，智能推荐过滤 | GPT-4o, Gemini, 多模态模型 |
| 任务管理 | Web 界面管理，自然语言创建任务 | Flask, Vue.js, 可视化界面 |
| 消息通知 | 多平台即时通知，自定义通知规则 | ntfy, 企业微信，Bark, Webhook |
| 用户认证 | Basic 认证保护，安全访问管理界面 | Basic Auth, 环境变量配置 |
| 部署支持 | Docker 容器化，一键部署运行 | Docker, docker-compose |
# 基础要求
操作系统：Windows/Linux/macOS
Python: 3.10+ (推荐 3.10 或更高版本)
内存：4GB+ RAM
存储：1GB+ 可用空间
网络：稳定互联网连接
# 浏览器要求
Chrome/Chromium: 最新版本
Playwright: 自动管理浏览器
# 生产环境推荐
CPU: 4 核+
内存：8GB+
存储：SSD, 10GB+ 可用空间
网络：100Mbps+ 带宽
源码安装：
# 克隆仓库
git clone https://github.com/dingyufei615/ai-goofish-monitor.git
cd ai-goofish-monitor
# 安装依赖
pip install -r requirements.txt
# 安装 Playwright 浏览器
playwright install chromium
Docker 安装：
# 使用 docker-compose（推荐）
docker-compose up --build -d
# 或者直接使用 Docker
docker build -t ai-goofish-monitor .
docker run -d -p 8000:8000 --name monitor ai-goofish-monitor
创建环境变量文件 (.env)：
# AI 服务配置
OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=https://api.example.com/v1
OPENAI_MODEL_NAME=gemini-2.5-pro
# 代理配置（可选）
PROXY_URL=http://127.0.0.1:7890
# 通知配置
NTFY_TOPIC_URL=https://ntfy.sh/your_topic
BARK_URL=https://api.day.app/your_key
WX_BOT_URL="https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=your_key"
# Web 界面认证
WEB_USERNAME=admin
WEB_PASSWORD=your_strong_password_here
# 运行配置
RUN_HEADLESS=true
AI_DEBUG_MODE=false
SERVER_PORT=8000
配置文件 (config.json)：
{
"tasks": [
{
"name": "索尼相机监控",
"keywords": ["索尼 A7M4", "Sony 相机"],
"price_range": [5000, 13000],
"cron_expression": "0 */2 * * *",
"ai_prompt": "寻找 95 新以上，快门数低于 5000 的索尼相机"
}
],
"notification": {
"enabled": true,
"services": ["ntfy", "wechat"],
"min_confidence": 0.8
}
}
获取闲鱼登录状态：
# 方法 1：使用登录脚本（需要图形界面）
python login.py
# 方法 2：通过 Web 界面更新（推荐）
# 启动服务后访问 http://localhost:8000
# 在系统设置中手动更新登录状态
Chrome 扩展安装：
# 启动 Web 服务
python web_server.py
# 或者使用 gunicorn（生产环境）
gunicorn -w 4 -b 0.0.0.0:8000 web_server:app
# 访问管理界面
# 打开浏览器访问 http://localhost:8000
# 用户名：admin
# 密码：配置的 WEB_PASSWORD
创建监控任务：
用自然语言描述需求：
我想买一台 95 新以上的索尼 A7M4 相机，预算 1 万 3 以内，快门数低于 5000
任务配置选项：
{
"name": "任务名称",
"keywords": ["关键词 1", "关键词 2"],
"price_range": [1000, 5000],
"location": "上海",
"cron_expression": "0 */1 * * *",
"ai_prompt": "自定义 AI 分析指令",
"enabled": true
}
自定义 Prompt 模板：
# prompts/analysis_template.txt
你是一个专业的二手商品评估专家。请分析以下闲鱼商品信息：
商品标题：{{title}}
商品价格：{{price}}元
商品描述：{{description}}
卖家信息：{{seller_info}}
图片信息：{{image_descriptions}}
请根据以下标准进行评估：
1. 商品成色是否达到 95 新以上
2. 价格是否在合理范围内
3. 卖家信用是否良好
4. 是否存在潜在风险
请输出 JSON 格式的分析结果：
{
"recommendation": "推荐/不推荐",
"confidence": 0.95,
"reasons": ["原因 1", "原因 2"],
"risk_factors": ["风险因素 1", "风险因素 2"]
}
多平台通知设置：
# 配置示例
notification_config = {
"ntfy": {
"enabled": True,
"topic": "your_ntfy_topic",
"priority": "high"
},
"wechat": {
"enabled": True,
"webhook": "企业微信群机器人 Webhook",
"mention_users": ["@all"]
},
"bark": {
"enabled": True,
"device_key": "your_bark_key",
"sound": "alarm"
},
"webhook": {
"enabled": False,
"url": "https://example.com/webhook",
"method": "POST",
"headers": {"Authorization": "Bearer token"}
}
}
场景：摄影爱好者寻找特定型号的二手相机
解决方案：
class CameraMonitor:
def __init__(self):
self.config = {
"name": "索尼相机专业监控",
"keywords": ["索尼 A7M4", "Sony A7M4", "A7M4"],
"price_range": [8000, 13000],
"conditions": {
"min_condition": "95 新",
"max_shutter_count": 5000,
"require_original_box": True,
"exclude_professional_sellers": True
},
"schedule": "0 */3 * * *",
"notification_channels": ["wechat", "ntfy"]
}
def create_monitor_task(self):
"""创建相机监控任务"""
# 寻找 95 新以上的索尼 A7M4 相机，要求：
# - 快门数低于 5000
# - 有原装包装盒
# - 个人卖家，非专业商家
# - 价格在 8000-13000 元之间
# - 上海地区优先
response = requests.post(
"http://localhost:8000/api/tasks/create",
json={"description": natural_language, "config": self.config},
auth=("admin", "password123")
)
return response.json()
def handle_notification(self, item):
"""处理通知消息"""
message = f"""
📸 发现符合条件的相机！
型号：{item['title']}
价格：{item['price']}元
成色：{item['condition']}
快门数：{item['shutter_count']}
卖家：{item['seller']}
链接：{item['url']}
AI 推荐度：{item['confidence']}%
"""
self.send_notification(message)
# 使用示例
monitor = CameraMonitor()
task_id = monitor.create_monitor_task()
print(f"监控任务已创建：{task_id}")
实施效果：
场景：球鞋收藏家寻找限量版球鞋
解决方案：
class SneakerMonitor:
def __init__(self):
self.sneaker_models = [
"Nike Dunk SB", "Air Jordan 1", "Yeezy 350",
"限量版球鞋", "联名款球鞋"
]
def setup_monitoring(self):
"""设置球鞋监控"""
tasks = []
for model in self.sneaker_models:
task_config = {
"name": f"{model}监控",
"keywords": [model, "限量", "联名"],
"price_range": [500, 3000],
"filters": {
"exclude_fake": True,
"min_authenticity_score": 0.9,
"require_real_images": True
},
"ai_prompt": """
分析球鞋真伪和收藏价值：
1. 检查图片是否实拍图
2. 评估价格是否合理
3. 判断卖家信用
4. 识别假货特征
""",
"schedule": "*/30 * * * *"
}
tasks.append(task_config)
return tasks
def process_sneaker_alerts(self, items):
"""处理球鞋提醒"""
for item in items:
if self.is_worth_buying(item):
self.send_urgency_notification(item)
def is_worth_buying(self, item):
"""判断是否值得购买"""
criteria = [
item['authenticity_score'] > 0.95,
item['price'] <= item['market_value'] * 0.8,
item['seller_rating'] >= 4.8,
item['condition'] in ['全新', '99 新']
]
return all(criteria)
# 使用示例
sneaker_bot = SneakerMonitor()
tasks = sneaker_bot.setup_monitoring()
print(f"创建了 {len(tasks)} 个球鞋监控任务")
实施效果：
场景：等待特定电子产品降价时购买
解决方案：
class PriceDropMonitor:
def __init__(self, target_product, target_price):
self.target_product = target_product
self.target_price = target_price
self.price_history = {}
def monitor_price_changes(self):
"""监控价格变化"""
config = {
"name": f"{self.target_product}降价监控",
"keywords": [self.target_product],
"price_range": [0, self.target_price * 1.2],
"ai_prompt": """
重点关注价格变化趋势和降价时机：
1. 记录历史价格
2. 识别真实降价（非虚假促销）
3. 评估降价幅度
4. 判断是否达到目标价位
""",
"schedule": "0 */1 * * *"
}
return config
def analyze_price_trend(self, items):
"""分析价格趋势"""
for item in items:
product_id = item['id']
current_price = item['price']
if product_id not in self.price_history:
self.price_history[product_id] = []
self.price_history[product_id].append({
'price': current_price,
'timestamp': datetime.now(),
'item': item
})
if current_price <= self.target_price:
self.send_price_alert(item)
def send_price_alert(self, item):
"""发送降价提醒"""
message = f"""
🎉 价格达标提醒！
商品：{item['title']}
当前价格：{item['price']}元
目标价格：{self.target_price}元
降价幅度：{self.calculate_discount(item)}%
链接：{item['url']}
⏰ 尽快购买，可能很快售罄！
"""
self.send_notification(message)
# 使用示例
monitor = PriceDropMonitor("iPad Pro 2022", 4000)
config = monitor.monitor_price_changes()
print("降价监控已设置")
实施效果：
# 自定义分析模板
你是一个专业的{{item_category}}评估专家。请分析以下闲鱼商品：
商品信息:
- 标题：{{title}}
- 价格：{{price}}元
- 描述：{{description}}
- 卖家：{{seller_name}} (信用：{{seller_rating}})
- 图片：{{image_count}}张
评估要求：{{specific_requirements}}
请输出 JSON 格式的分析结果：
{
"assessment": {
"quality_rating": 0.95,
"price_score": 0.88,
"seller_trustworthiness": 0.92,
"overall_recommendation": "推荐"
},
"details": {
"strengths": ["优点 1", "优点 2"],
"concerns": ["需要注意的点"],
"verification_items": ["需要验证的事项"]
},
"pricing_advice": {
"fair_price_range": [1000, 1200],
"bargaining_strategy": "还价建议"
}
}
# 智能通知路由
class SmartNotifier:
def __init__(self):
self.notification_rules = {
"urgent": {
"channels": ["wechat", "bark", "sms"],
"priority": "high",
"retry_times": 3
},
"normal": {
"channels": ["ntfy", "wechat"],
"priority": "normal",
"retry_times": 1
},
"low_priority": {
"channels": ["ntfy"],
"priority": "low",
"retry_times": 0
}
}
def route_notification(self, item, confidence):
"""根据置信度路由通知"""
if confidence > 0.95:
return self.notification_rules["urgent"]
elif confidence > 0.8:
return self.notification_rules["normal"]
else:
return self.notification_rules["low_priority"]
def send_smart_notification(self, item, analysis_result):
"""发送智能通知"""
confidence = analysis_result['confidence']
rules = self.route_notification(item, confidence)
message = self.format_message(item, analysis_result, rules['priority'])
for channel in rules['channels']:
success = self.send_to_channel(channel, message, rules)
if not success and rules['retry_times'] > 0:
self.retry_send(channel, message, rules)
# 数据导出功能
class DataExporter:
def __init__(self, db_path="monitoring_data.db"):
self.conn = sqlite3.connect(db_path)
self.setup_database()
def setup_database(self):
"""设置数据库表结构"""
self.conn.execute("""
CREATE TABLE IF NOT EXISTS items (
id TEXT PRIMARY KEY,
title TEXT,
price REAL,
description TEXT,
seller_info TEXT,
analysis_result JSON,
created_at DATETIME,
updated_at DATETIME
)
""")
self.conn.execute("""
CREATE TABLE IF NOT EXISTS price_history (
item_id TEXT,
price REAL,
recorded_at DATETIME,
FOREIGN KEY (item_id) REFERENCES items(id)
)
""")
def export_to_csv(self, output_file="monitoring_report.csv"):
"""导出数据到 CSV"""
query = """
SELECT i.title, i.price, i.seller_info,
json_extract(i.analysis_result, '$.confidence') as confidence,
COUNT(ph.item_id) as price_changes
FROM items i
LEFT JOIN price_history ph ON i.id = ph.item_id
GROUP BY i.id
"""
df = pd.read_sql_query(query, self.conn)
df.to_csv(output_file, index=False, encoding='utf-8-sig')
return output_file
def generate_report(self):
"""生成监控报告"""
report = {
"summary": {
"total_items": self.get_total_items(),
"avg_price": self.get_average_price(),
"recommendation_rate": self.get_recommendation_rate(),
"price_trend": self.get_price_trend()
},
"top_findings": self.get_top_findings(10),
"seller_analysis": self.analyze_sellers(),
"category_breakdown": self.get_category_breakdown()
}
return report
登录问题：
# 检查登录状态
curl -X GET http://localhost:8000/api/system/status
# 重新登录
python login.py --force
# 或者通过 Web 界面更新登录状态
AI 分析失败：
# 检查 AI 服务配置
def check_ai_service():
import requests
test_payload = {
"model": os.getenv('OPENAI_MODEL_NAME'),
"messages": [{"role": "user", "content": "test"}]
}
try:
response = requests.post(
f"{os.getenv('OPENAI_BASE_URL')}/chat/completions",
headers={"Authorization": f"Bearer {os.getenv('OPENAI_API_KEY')}"},
json=test_payload,
timeout=10
)
return response.status_code == 200
except Exception as e:
print(f"AI 服务检查失败：{e}")
return False
性能优化：
# 优化配置
PERFORMANCE_OPTIMIZATION = {
"browser": {
"headless": True,
"timeout": 30000,
"concurrent_tabs": 3,
"retry_attempts": 2
},
"ai": {
"batch_size": 5,
"timeout": 30000,
"max_retries": 2
},
"network": {
"proxy_rotation": True,
"request_delay": [1000, 3000],
"timeout": 30000
}
}
日志配置：
import logging
from logging.handlers import RotatingFileHandler
def setup_logging():
logger = logging.getLogger("goofish_monitor")
logger.setLevel(logging.INFO)
file_handler = RotatingFileHandler(
"monitor.log",
maxBytes=10 * 1024 * 1024,
backupCount=5
)
file_handler.setFormatter(logging.Formatter(
'%(asctime)s - %(name)s - %(levelname)s - %(message)s'
))
console_handler = logging.StreamHandler()
console_handler.setFormatter(logging.Formatter(
'%(levelname)s - %(message)s'
))
logger.addHandler(file_handler)
logger.addHandler(console_handler)
return logger
logger = setup_logging()
logger.info("监控服务启动成功")
性能监控：
class PerformanceMonitor:
def __init__(self):
self.metrics = {
"requests": 0,
"successful": 0,
"failed": 0,
"avg_response_time": 0,
"last_alert": None
}
def track_request(self, success, response_time):
"""跟踪请求指标"""
self.metrics["requests"] += 1
if success:
self.metrics["successful"] += 1
else:
self.metrics["failed"] += 1
old_avg = self.metrics["avg_response_time"]
n = self.metrics["successful"] + self.metrics["failed"]
self.metrics["avg_response_time"] = (
(old_avg * (n - 1) + response_time) / n
)
def get_success_rate(self):
"""计算成功率"""
if self.metrics["requests"] == 0:
return 0
return self.metrics["successful"] / self.metrics["requests"] * 100
def check_health(self):
"""检查系统健康状态"""
success_rate = self.get_success_rate()
if success_rate < 80:
return "critical"
elif success_rate < 90:
return "warning"
else:
return "healthy"
def generate_report(self):
"""生成性能报告"""
return {
"total_requests": self.metrics["requests"],
"success_rate": f"{self.get_success_rate():.1f}%",
"avg_response_time": f"{self.metrics['avg_response_time']:.2f}ms",
"health_status": self.check_health(),
"timestamp": datetime.now().isoformat()
}
monitor = PerformanceMonitor()
monitor.track_request(True, 1500)
print(monitor.generate_report())
⚠️ 重要提示：
- 请遵守闲鱼用户协议和 robots.txt 规则
- 不要进行过于频繁的请求，避免对服务器造成负担
- 本项目仅供学习和技术研究使用
- 请勿用于非法用途或商业滥用
许可证：
本项目采用 MIT 许可证发布，按'现状'提供，不提供任何形式的担保。项目作者及贡献者不对因使用本软件而导致的任何损害或损失承担责任。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online