外卖订单爬虫:美团、饿了么、百度外卖自动化订单采集方案
项目概述
外卖订单爬虫(Waimai Crawler)是一个专门为餐饮企业设计的自动化订单数据采集工具。该项目主要使用JavaScript开发,支持美团外卖、饿了么和百度外卖三大平台的订单数据自动化抓取,旨在帮助多门店餐饮企业高效收集和分析外卖订单数据。
核心功能特性
多平台订单自动化采集
系统支持同时连接美团外卖、饿了么和百度外卖三大平台,能够自动登录商家后台并抓取指定时间范围内的订单数据。每个平台的订单数据都经过专门的处理和转换。
定时任务自动化执行
通过later.js库实现定时任务调度,系统可以每天在指定时间自动启动,完成订单数据的抓取、处理和发送流程,无需人工干预。
数据转换与Excel导出
抓取的订单数据会被转换成结构化的Excel文件,包含订单号、下单时间、客户信息、商品详情、配送距离、订单金额等关键字段。
邮件自动发送
处理完成的Excel文件会自动通过SMTP邮件服务发送给指定的接收人,实现数据的自动化分发。
验证码智能识别
针对美团和百度外卖需要验证码登录的情况,系统集成了第三方验证码识别服务(聚合数据API),确保登录流程的顺畅进行。
技术架构
主要依赖库
- request: HTTP请求库,用于与外卖平台API交互
- bluebird: Promise库,提供异步流程控制
- log4js: 日志记录
- nodemailer: 邮件发送功能
- moment: 时间处理
- underscore: 工具函数库
- csv-stringify: CSV文件生成
项目结构
waimai-crawler/
├── config/ # 配置文件目录
│ ├── development.json
│ └── production.json
├── lib/ # 核心功能模块
│ ├── baidu_task.js # 百度外卖任务处理
│ ├── eleme_task.js # 饿了么任务处理
│ ├── meituan_task.js # 美团外卖任务处理
│ ├── fetch_task.js # 基础抓取任务类
│ ├── logger.js # 日志模块
│ ├── mail.js # 邮件发送模块
│ └── util.js # 工具函数
├── test/ # 测试文件
├── index.js # 主入口文件
└── package.json # 项目配置
安装与配置
环境要求
- Node.js运行环境
- 有效的SMTP邮件服务账号
- 聚合数据验证码识别API密钥
快速开始
- 克隆项目仓库:
git clone https://gitcode.com/gh_mirrors/wa/waimai-crawler
cd waimai-crawler
- 安装依赖:
npm install
- 配置生产环境文件:
编辑
config/production.json,按照以下格式配置账号信息和邮件服务:
{
"log": {
"level": "DEBUG"
},
"mail": {
"from": "company@xxx.com",
"mailTo": "recipient@xxx.com",
"host": "smtp.xxx.com",
"port": 25,
"secure": false,
"user": "smtp_username",
"pass": "smtp_password"
},
"imgCode": {
"key": "your_juhe_api_key"
},
"account": [
{
"name": "美团门店名称",
"username": "meituan_username",
"password": "meituan_password",
"type": "meituan"
},
{
"name": "饿了么门店名称",
"username": "eleme_username",
"password": "eleme_password",
"type": "eleme"
},
{
"name": "百度门店名称",
"username": "baidu_username",
"password": "baidu_password",
"type": "baidu"
}
]
}
使用场景
多门店数据汇总
适用于拥有多家外卖门店的餐饮连锁企业,可以统一收集各平台的订单数据,便于进行整体经营分析。
每日经营报表
系统每天自动生成前一天的订单报表,包含详细的订单信息、销售额、配送情况等数据。
客户行为分析
通过分析订单数据,可以了解客户的购买偏好、配送距离分布、订单时段分布等信息。
数据字段说明
系统生成的Excel文件包含以下关键字段:
- 订单号: 平台生成的唯一订单标识
- 下单时间: 客户下单的具体时间
- 姓名: 收货人姓名
- 电话: 收货人联系电话(自动解密隐藏号码)
- 送餐地址: 完整的配送地址
- 订购的产品: 商品名称和数量明细
- 距离: 配送距离(公里)
- 备注: 订单特殊要求
- 原价: 商品原价总额
- 配送费: 配送费用
- 折扣成本: 平台优惠金额
- 实际收入: 商家实际收入金额
安全与稳定性
登录安全
系统采用模拟浏览器登录的方式,使用真实的User-Agent和Cookie管理,确保登录过程的安全性和稳定性。
错误处理
完善的异常处理机制,包括网络超时、验证码识别失败、登录异常等情况的重试和处理。
数据完整性
通过多次请求验证和数据补充机制,确保获取的订单信息完整准确,特别是客户联系电话等敏感信息的完整获取。
该项目为餐饮企业提供了高效的外卖订单数据自动化采集解决方案,大大减少了人工收集数据的工作量,提高了数据分析的效率和准确性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00