Python爬虫实战:豆瓣图书评分数据采集与可视化分析

简介: 本文以豆瓣图书为案例,用Scrapy爬取评分数据,经Pandas清洗后,用Matplotlib可视化分析评分分布、年代差异、评分人数关系及热门标签,全程遵守合规采集原则。(239字)

一、前言

平时我们在选择一本书时,往往会参考豆瓣评分、评分人数以及其他读者的评价。

如果只是查看几本书,直接访问网站就可以了。但如果想从更大的数据范围内了解图书评分规律,例如:

  • 哪些图书的评分相对较高?
  • 不同类型的图书,评分分布有什么区别?
  • 不同年代出版的图书,评分是否存在差异?
  • 评分高的图书,是否意味着评分人数也更多?
  • 哪些出版社或作者的图书更受读者认可?

仅靠人工查看显然效率不高。

这时就可以利用 Python 的爬虫和数据分析技术,将公开且允许采集的图书信息整理成结构化数据,再通过数据分析和图表展示,寻找其中的规律。

本文以豆瓣图书信息为案例,介绍如何使用 Scrapy、Pandas 和 Matplotlib 搭建一个简单的图书评分数据分析流程。

需要说明的是,本文以获得授权或允许访问的数据为前提。实际采集时应遵守网站服务条款和访问规则,不绕过登录验证、验证码或其他访问控制措施。

二、项目整体流程

本次实战主要分为四个部分:

阶段 使用技术 主要任务
数据采集 Scrapy 获取图书基本信息和评分
网络配置 socks/http地址 配置合规的网络出口
数据处理 Pandas 清洗数据、去重、字段转换
数据可视化 Matplotlib 绘制评分分布和对比图表

最终希望得到一份结构化的 CSV 数据文件,包含以下字段:

字段 含义
title 图书名称
author 作者
publisher 出版社
pub_date 出版日期
price 图书定价
rating 豆瓣评分
rating_num 评分人数
tags 图书标签

有了这些基础数据,就可以进一步开展评分分布、出版年代和图书类别等维度的分析。

三、使用 Scrapy 采集图书数据

1. 安装 Scrapy

Scrapy 是 Python 中比较成熟的爬虫框架,支持请求调度、网页解析、数据提取、并发控制和数据导出等功能。

首先安装依赖:

pip install scrapy pandas matplotlib

创建 Scrapy 项目:

scrapy startproject douban_project

项目创建完成后,目录结构大致如下:

douban_project/
│
├── douban_project/
│   ├── spiders/
│   │   └── douban.py
│   ├── items.py
│   ├── middlewares.py
│   └── settings.py
│
└── scrapy.cfg

本次主要修改 spiders/douban.py,编写图书信息采集逻辑。

2. 编写图书信息采集程序

Scrapy 中最核心的部分是 Spider。

我们需要完成以下工作:

  1. 接收允许采集的图书详情页地址;
  2. 发送网页请求;
  3. 解析图书名称、作者、出版社等信息;
  4. 提取评分和评分人数;
  5. 将数据交给 Scrapy 的数据导出机制。

这里采用传入图书详情页 URL 的方式启动爬虫,避免直接遍历整个网站,也方便后续使用经过授权的数据源。

创建 douban.py:

# -*- coding: utf-8 -*-

import scrapy
import re


class DoubanSpider(scrapy.Spider):

    name = "douban"

    allowed_domains = ["book.douban.com"]

    def start_requests(self):

        # 这里填写已获准采集的图书详情页地址
        urls = [
            "https://book.douban.com/subject/图书ID/",
        ]

        for url in urls:
            yield scrapy.Request(
                url=url,
                callback=self.parse_detail
            )

    def parse_detail(self, response):

        item = {
   }

        # 图书名称
        item["title"] = response.xpath(
            '//h1//span/text()'
        ).get(default="").strip()

        # 作者
        item["author"] = response.xpath(
            '//*[contains(text(),"作者")]/following-sibling::a[1]/text()'
        ).get(default="").strip()

        # 出版社
        item["publisher"] = response.xpath(
            '//*[contains(text(),"出版社")]/following-sibling::text()'
        ).get(default="").strip()

        # 出版日期
        item["pub_date"] = response.xpath(
            '//*[contains(text(),"出版年")]/following-sibling::text()'
        ).get(default="").strip()

        # 定价
        item["price"] = response.xpath(
            '//*[contains(text(),"定价")]/following-sibling::text()'
        ).get(default="").strip()

        # 评分
        item["rating"] = response.xpath(
            '//strong[contains(@class,"rating_num")]/text()'
        ).get(default="").strip()

        # 评分人数
        rating_text = response.xpath(
            '//*[contains(@class,"rating_people")]/span/text()'
        ).get(default="")

        # 提取数字
        match = re.search(r"\d+", rating_text)

        item["rating_num"] = (
            match.group() if match else ""
        )

        # 图书标签
        item["tags"] = response.xpath(
            '//div[@id="db-tags-section"]//a/text()'
        ).getall()

        yield item

注意:以上 XPath 是基于常见页面结构编写的示例。网站页面结构可能调整,实际使用时需要检查目标页面 HTML,并根据真实 DOM 修改选择器。部分字段也可能因页面布局、登录状态或数据展示方式不同而无法提取。

3. 配置 CSV 数据导出

Scrapy 自带数据导出功能,不需要在 Spider 的 close() 方法中手动维护数据列表,也不需要自己编写 CSV 保存逻辑。

在 settings.py 中增加:

# 导出 CSV 文件

FEEDS = {
   
    "douban_books.csv": {
   
        "format": "csv",
        "encoding": "utf-8-sig",
        "overwrite": True,
    }
}

这样,爬虫运行时通过 yield item 返回的数据就会自动保存到 CSV 文件中。

运行命令:

scrapy crawl douban

如果采集成功,就会生成:

douban_books.csv

文件中保存了图书的名称、作者、出版社、出版日期、评分和评分人数等信息。

四、地址的配置与使用

在实际的数据采集项目中,网络连接质量会直接影响请求的稳定性。

例如,网络线路不稳定可能造成请求超时;不同网络出口的访问情况也可能存在差异。

在获得网站允许的前提下,可以根据业务需要配置网络出口。

1. 获取地址

这里以一个地址 API 为例,演示 Python 如何调用接口获取 SOCKS5 地址信息。

首先安装 requests:

pip install "requests[socks]"

登录接口:

https://api.sdbufeng.vip/api/login

获取地址接口:

https://api.sdbufeng.vip/bf/shared/getip

登录接口需要传入用户名和密码,成功后返回 Token。

示例代码:

import requests
import os


USERNAME = os.getenv("PROXY_USERNAME")
PASSWORD = os.getenv("PROXY_PASSWORD")


def get_token():

    url = "https://api.sdbufeng.vip/api/login"

    params = {
   
        "username": USERNAME,
        "password": PASSWORD
    }

    response = requests.get(
        url,
        params=params,
        timeout=15
    )

    result = response.json()

    if result.get("status") == 0:

        token = result["data"]["token"]

        print("Token 获取成功")

        return token

    else:

        raise Exception(
            f"登录失败:{result.get('msg')}"
        )


if __name__ == "__main__":

    token = get_token()

    print("当前 Token:", token)

这里使用环境变量保存账号密码,避免将真实账号直接写入公开代码。

Windows 可以通过以下方式设置环境变量:

set PROXY_USERNAME=你的用户名
set PROXY_PASSWORD=你的密码

Linux 环境可以使用:

export PROXY_USERNAME="你的用户名"
export PROXY_PASSWORD="你的密码"

2. 获取 SOCKS5地址信息

拿到 Token 后,就可以调用地址接口。

def get_proxy(token):

    url = "https://api.sdbufeng.vip/bf/shared/getip"

    params = {
   
        "token": token,
        "proxy_type": "socks5",
        "amount": 1,
        "expire": "1-3"
    }

    response = requests.get(
        url,
        params=params,
        timeout=15
    )

    result = response.json()

    print("地址接口返回数据:")
    print(result)

    return result

这里需要特别注意:

不同地址接口返回的数据结构可能不同。实际使用时,应先查看接口返回的 JSON,再根据真实字段提取地址、端口、用户名和密码。

不要直接假设接口一定返回 地址、port、username、password 这几个字段。

3. SOCKS5 的使用方式

如果接口返回的地址信息包含地址、端口、用户名和密码,可以通过 Requests 进行连接测试。

示例:

import requests


proxy_host = "地址"
proxy_port = "端口"
proxy_user = "用户名"
proxy_pass = "密码"


proxy_url = (
    f"socks5h://{proxy_user}:{proxy_pass}"
    f"@{proxy_host}:{proxy_port}"
)

proxies = {
   
    "http": proxy_url,
    "https": proxy_url
}

response = requests.get(
    "https://httpbin.org/ip",
    proxies=proxies,
    timeout=15
)

print(response.text)

其中:

  • socks5h 表示通过地址端解析目标域名;
  • proxy_host 是地址;
  • proxy_port 是端口;
  • proxy_user 和 proxy_pass 是地址认证信息。

需要注意一个技术细节:

Scrapy 默认的 HttpProxyMiddleware 主要处理 HTTP/HTTPS 代理,不能直接把 SOCKS5 地址当作普通 HTTP 代理使用。

如果需要在 Scrapy 项目中使用 SOCKS5,需要额外配置支持 SOCKS5 的下载处理方案,或者通过本地代理转发程序将 SOCKS5 连接转换成 Scrapy 能使用的 HTTP 代理入口。

因此,不建议简单地在 Scrapy 的 settings.py 中填写 SOCKS5 地址,就认为已经完成了地址配置。

另外,地址只是网络连接配置的一部分,并不能保证目标网站一定允许访问,也不能代替对网站访问规则的遵守。

五、使用 Pandas 清洗图书数据

完成数据采集后,我们得到了 douban_books.csv 文件。

但原始数据往往存在一些问题,例如:

  • 部分字段为空;
  • 同一本图书可能重复出现;
  • 评分和评分人数最初是字符串;
  • 出版日期格式不统一;
  • 图书标签是列表或字符串,不方便统计。

因此,需要使用 Pandas 对数据进行清洗。

1. 读取 CSV 文件

import pandas as pd

df = pd.read_csv(
    "douban_books.csv",
    encoding="utf-8-sig"
)

print(df.head())

print(df.info())

head() 可以查看前几条数据,info() 可以查看字段类型和非空数据数量。

2. 删除重复数据

图书数据可能因为重复采集而出现重复记录。

可以根据图书名称进行去重:

df.drop_duplicates(
    subset=["title"],
    keep="first",
    inplace=True
)

如果需要更加严谨,可以结合图书详情页 URL 或图书唯一 ID 进行去重。

3. 处理评分和评分人数

评分和评分人数需要转换为数值类型,才能进行统计分析。

df["rating"] = pd.to_numeric(
    df["rating"],
    errors="coerce"
)

df["rating_num"] = pd.to_numeric(
    df["rating_num"],
    errors="coerce"
)

其中:

errors="coerce" 表示无法转换的内容会被设置为 NaN,方便后续统一处理。

4. 处理出版日期

出版日期可能包含年份、月份或具体日期。

为了方便分析,我们先从出版日期中提取四位数年份:

df["pub_year"] = pd.to_numeric(
    df["pub_date"].astype(str).str.extract(
        r"(\d{4})"
    )[0],
    errors="coerce"
)

再根据年份划分年代:

df["pub_decade"] = (
    df["pub_year"] // 10
) * 10

例如:

  • 1985 年对应 1980;
  • 1996 年对应 1990;
  • 2008 年对应 2000;
  • 2023 年对应 2020。

5. 处理图书标签

标签字段可以统一转换为字符串,方便后续分析。

def format_tags(value):

    if isinstance(value, list):
        return ",".join(value)

    if pd.isna(value):
        return ""

    return str(value)


df["tags"] = df["tags"].apply(format_tags)

6. 删除无效数据并保存

评分和评分人数是本次分析的重要字段,如果缺失,就无法参与相关统计。

可以删除这些关键字段为空的数据:

df.dropna(
    subset=["title", "rating", "rating_num"],
    inplace=True
)

# 只保留合理范围内的评分
df = df[
    (df["rating"] >= 0) &
    (df["rating"] <= 10)
]

df.to_csv(
    "douban_books_cleaned.csv",
    index=False,
    encoding="utf-8-sig"
)

print("数据清洗完成!")
print("有效图书数量:", len(df))

至此,数据清洗工作就完成了。

六、使用 Matplotlib 进行可视化分析

有了清洗后的数据,就可以通过图表直观展示图书评分的分布规律。

首先安装 Matplotlib:

pip install matplotlib

导入相关模块:

import pandas as pd
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams["font.sans-serif"] = ["SimHei"]

# 解决负号显示问题
plt.rcParams["axes.unicode_minus"] = False

df = pd.read_csv(
    "douban_books_cleaned.csv"
)

1. 图书评分分布直方图

首先分析所有图书的评分分布情况。

plt.figure(figsize=(9, 6))

plt.hist(
    df["rating"],
    bins=20,
    edgecolor="black",
    alpha=0.8
)

plt.xlabel("图书评分")

plt.ylabel("图书数量")

plt.title("豆瓣图书评分分布")

plt.grid(axis="y", alpha=0.3)

plt.savefig(
    "rating_distribution.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

通过直方图,可以观察评分主要集中在哪个区间。

例如,如果大量图书集中在 7 分至 9 分之间,就说明当前样本中的图书评分主要分布在这个范围。

需要注意,图表反映的是本次采集样本的分布,并不一定代表整个豆瓣图书数据库的整体情况。

2. 不同评分等级的图书占比

我们可以根据评分将图书划分为三个等级:

  • 低分:0~7 分;
  • 中等:7~8.5 分;
  • 高分:8.5~10 分。

这里的区间仅用于本次分析,并不是豆瓣官方的评分等级。

df["rating_level"] = pd.cut(
    df["rating"],
    bins=[0, 7, 8.5, 10],
    labels=["低分", "中等", "高分"],
    include_lowest=True
)

rating_counts = (
    df["rating_level"]
    .value_counts()
    .reindex(["低分", "中等", "高分"])
)

plt.figure(figsize=(8, 6))

plt.pie(
    rating_counts,
    labels=rating_counts.index,
    autopct="%.2f%%",
    startangle=90
)

plt.title("不同评分等级的图书占比")

plt.savefig(
    "rating_level_pie.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

通过饼图,可以快速了解不同评分区间的图书数量占比。

3. 不同年代图书的评分对比

接下来分析不同年代出版的图书,其评分是否存在差异。

df["pub_decade"] = (
    df["pub_year"] // 10
) * 10

decade_data = df.dropna(
    subset=["pub_decade", "rating"]
).copy()

decades = sorted(
    decade_data["pub_decade"].unique()
)

ratings_by_decade = [
    decade_data[
        decade_data["pub_decade"] == decade
    ]["rating"]
    for decade in decades
]

plt.figure(figsize=(10, 6))

plt.boxplot(
    ratings_by_decade,
    tick_labels=[str(int(x)) for x in decades]
)

plt.xlabel("出版年代")

plt.ylabel("图书评分")

plt.title("不同年代图书评分分布")

plt.savefig(
    "rating_by_decade.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

箱线图可以展示不同年代图书评分的中位数、分布范围和异常值。

通过比较各年代箱体的位置,可以初步观察不同年代图书评分的差异。

不过,评分差异并不一定由出版年代造成,还可能受到图书类型、读者群体、评分人数等因素影响。

4. 图书评分与评分人数的关系

评分人数也是一个值得分析的指标。

通常情况下,评分人数越多,说明参与评价的用户越多,但这并不意味着评分一定更高。

我们可以使用散点图观察评分与评分人数之间的关系。

plt.figure(figsize=(9, 6))

plt.scatter(
    df["rating"],
    df["rating_num"],
    alpha=0.5
)

plt.xlabel("图书评分")

plt.ylabel("评分人数")

plt.title("图书评分与评分人数关系")

plt.grid(alpha=0.3)

plt.savefig(
    "rating_num_scatter.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

如果评分人数差异非常大,部分图书可能会让散点图显得比较拥挤。

这时可以使用对数坐标:

plt.figure(figsize=(9, 6))

plt.scatter(
    df["rating"],
    df["rating_num"],
    alpha=0.5
)

plt.yscale("log")

plt.xlabel("图书评分")

plt.ylabel("评分人数(对数坐标)")

plt.title("图书评分与评分人数关系")

plt.savefig(
    "rating_num_log.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

使用对数坐标后,可以更清楚地观察评分人数较少和较多的图书分布情况。

5. 找出评分较高的图书

除了绘制图表,我们还可以直接使用 Pandas 对图书进行排序,找出评分较高的图书。

top_books = df.sort_values(
    by=["rating", "rating_num"],
    ascending=[False, False]
)

print(
    top_books[
        ["title", "author", "rating", "rating_num"]
    ].head(20)
)

这里先按照评分从高到低排序,评分相同时再按照评分人数从高到低排序。

这样可以得到一个简单的高评分图书列表。

但需要注意,评分人数较少的图书可能因为少量用户评价而获得较高分数。因此,在实际推荐或排名场景中,还应结合评分人数设置最低样本门槛,或者使用更加合理的综合评分算法。

七、进一步扩展:统计热门图书标签

除了评分和出版年代,还可以通过图书标签了解不同类型图书的分布。

例如,统计出现频率最高的 15 个标签:

from collections import Counter

tag_counter = Counter()

for tags in df["tags"].dropna():

    for tag in str(tags).split(","):

        tag = tag.strip()

        if tag:
            tag_counter[tag] += 1


top_tags = tag_counter.most_common(15)

labels = [
    item[0] for item in top_tags
]

counts = [
    item[1] for item in top_tags
]


plt.figure(figsize=(10, 7))

plt.barh(
    labels[::-1],
    counts[::-1]
)

plt.xlabel("出现次数")

plt.ylabel("图书标签")

plt.title("热门图书标签 TOP15")

plt.savefig(
    "book_tags_top15.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

通过标签统计,可以大致了解样本中哪些图书类别出现得比较频繁。

例如文学、小说、历史、心理学等标签,如果出现次数较高,就说明它们在当前采集样本中占比较大。

这里统计的是标签出现次数,并不等于图书真实销量或读者实际购买量。

八、项目总结

本文以豆瓣图书评分数据为案例,完成了一个简单的数据采集与可视化分析项目。

整个项目主要涉及以下几个知识点:

1. Scrapy 爬虫框架

学习了如何创建 Spider、发送网页请求、使用 XPath 解析网页,以及通过 Scrapy 内置的数据导出功能保存 CSV 文件。

2. 地址配置

介绍了如何通过 API 获取代理 Token 和 SOCKS5 地址信息,并使用 Requests 进行代理连接测试。同时说明了 Scrapy 默认代理中间件与 SOCKS5 之间的兼容问题。

3. Pandas 数据清洗

学习了 CSV 文件读取、重复数据删除、空值处理、数值类型转换、出版年代提取等常用操作。

4. Matplotlib 数据可视化

通过直方图、饼图、箱线图、散点图和柱状图,从不同维度分析图书评分及标签分布。

从实际开发角度来看,爬虫的价值并不仅仅是获取网页数据,更重要的是将非结构化信息整理成可分析的数据,再通过数据分析发现有价值的信息。

如果后续有更大规模、来源合规的图书数据,还可以进一步引入词频分析、图书类别聚类、评分预测等方法,让这个项目从简单的数据可视化逐步扩展为完整的数据分析项目。

相关文章
|
8天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
9690 25
|
8天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2754 14
|
3天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1318 1
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
6天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
11天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
11天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
24天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
11610 59
|
7天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1399 1
|
4天前
|
人工智能 弹性计算 IDE
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
958 0
|
10天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。