Web to Excel

从网页抓取结构化数据并填写到任意 Excel 文件的通用技能。 触发场景： - 用户说"帮我把网页上的参数填到 Excel"、"从网站抓数据到表格"、 "网页参数录入 Excel"、"爬取数据并填写 Excel"、或任何类似表达 - 用户提供网址和 Excel 文件，要求自动抓取并填写 - 批量从多个网页抓取数据...

Web → Excel 数据填充技能

核心工作流

用户发请求（含 URL + Excel 信息）
    ↓
① 询问确认   →  目标文件/Sheet/行范围/URL
② 连接浏览器  →  CDP 直连 Edge（端口 9334），复用已有标签
③ 探测字段   →  访问 URL，读取页面参数结构（处理 Lazy Loading）
④ 读取表头   →  读取 Excel 表头行，建立 {列字母: 字段名} 映射
⑤ 确认映射   →  模糊匹配 + 向用户展示字段对照表，请确认
⑥ 清空旧数据  →  若重新抓取同一范围，先清空目标行
⑦ 写入 Excel →  openpyxl 写入（只填空值，不覆盖已有）
⑧ 输出摘要   →  列出所有更新的行/列/值

关键改进点

步骤	改进内容
③ 探测字段	新增 Lazy Loading 处理，多次滚动确保内容完整
④ 读取表头	新增：每次动态读取 Excel 表头，不凭记忆映射
⑤ 确认映射	新增：模糊匹配 + 双向确认，输出映射表让用户验证
⑥ 清空旧数据	新增：重新抓取时先清空，避免数据叠加污染

🚀 任务启动提示（必须先执行）

在开始任何工作前，先向用户展示以下最佳 Prompt 建议：

---

📋 最佳 Prompt 模板

请帮我把网页数据填入 Excel，信息如下：

1. **数据来源网站**：[URL 或网站名称]
   例如：https://58moto.com/xxx/configuration.html

2. **目标 Excel 文件**：[文件路径]
   例如：~/Desktop/TVS_Motorcycle.xlsx

3. **Sheet 名称**：[Sheet名]
   例如：OEM Database V2

4. **填写位置**：[行号范围] [列范围（可选）]
   例如：第 42-83 行
   例如：第 5 行的 C-F 列

5. **特殊要求**（可选）：
   - [ ] 是否需要清空旧数据？
   - [ ] 是否需要价格换算（如 CNY→EUR）？
   - [ ] 是否有特定字段映射需求？
   - [ ] 其他说明：______

---

💡 快捷使用示例

最小化输入（使用默认流程）：

"帮我把 https://58moto.com/xxx 的数据填入 ~/Desktop/data.xlsx 的 Sheet1，从第5行开始"

完整输入（包含特殊要求）：

"请帮我把网页数据填入 Excel：

• 网站：https://58moto.com/product/config.html
• Excel：~/Desktop/TVS_Motorcycle.xlsx
• Sheet：OEM Database V2
• 位置：第 42-83 行
• 特殊要求：价格需要从 CNY 换算为 EUR，清空旧数据"

---

⚠️ 启动检查清单

收到任务后，按以下顺序确认信息：

#	信息项	必需？	默认值
1	数据来源 URL	✅ 必需	无
2	Excel 文件路径	✅ 必需	无
3	Sheet 名称	✅ 必需	无
4	填写行范围	✅ 必需	无
5	填写列范围	❌ 可选	自动匹配
6	是否清空旧数据	❌ 可选	否
7	价格换算	❌ 可选	不换算
8	特殊字段映射	❌ 可选	自动匹配

信息不完整时：向用户询问缺失的必需项，并提供上述 Prompt 模板。

信息完整时：直接开始执行，无需再次确认。

---

Step ①：询问确认

首次使用或信息不足时，向用户询问：

请提供以下信息：

1. Excel 文件路径（如 ~/Desktop/data.xlsx）
2. Sheet 名称（如 Sheet1）
3. 填写范围（起始行～结束行，或具体行号，如 第 5～10 行）
4. 数据来源 URL（参数配置页，如 https://example.com/product/config.html）
5. 列映射需求（若与默认映射不同，或有特殊字段对应关系）
6. 多车型/多列：若网页有多个产品列（如 FX 第 1 列、NX 第 2 列），告知分别对应哪一行

Step ②：连接浏览器（CDP）

import subprocess, importlib, sys, time

# 自动安装依赖
for pkg in ['websockets', 'openpyxl']:
    if importlib.util.find_spec(pkg) is None:
        subprocess.check_call([sys.executable, '-m', 'pip', 'install', pkg, '-q'])

sys.path.insert(0,
    '~/Library/Application Support/QClaw/openclaw/config/skills/browser-cdp/scripts')
from cdp_client import CDPClient

client = CDPClient('http://127.0.0.1:9334')  # Edge CDP 端口（Mac 默认 9334）
client.connect()
tabs = client.list_tabs()

# 查找已打开的匹配标签
target_tab = None
for t in tabs:
    if url[:40] in t['url']:
        target_tab = t
        print(f'  → 复用已有标签: {t["id"]} | {t["url"]}')
        break

if not target_tab:
    client.create_tab(url)
    time.sleep(3)
    tabs = client.list_tabs()
    for t in tabs:
        if url[:40] in t['url']:
            target_tab = t
            break

client.attach(target_tab['id'])
time.sleep(2)

Step ③：探测字段

访问目标页面，抓取参数配置区域文本：

# 方法1：从"参考价"关键词位置往后截取（适合摩托范等汽车参数站）
result = client.send("Runtime.evaluate", {
    "expression": "(function(){"
        "var t=document.body.innerText;"
        "var i=t.indexOf('参考价');"
        "return i>=0 ? t.substring(i, i+25000) : 'NO_DATA';"
    "})()"
})
text = result['result']['value']

# 方法2：截取包含参数的完整区域（通用）
result2 = client.send("Runtime.evaluate", {
    "expression": "(function(){"
        "var t=document.body.innerText;"
        "return t.length > 50000 ? t.substring(0, 50000) : t;"
    "})()"
})
text = result2['result']['value']

解析为结构化字典：

def parse_params(text):
    """
    将网页参数文本（制表符分隔）解析为：
    - field_data: {字段名: [值列表]}   # 同一字段多列的值
    - column_names: [第1列车型名, 第2列车型名, ...]
    """
    lines = [l for l in text.strip().split('\n')
             if l.strip() and '\t' in l]
    if not lines:
        return {}, []
    header = lines[0].split('\t')          # [字段名, col1名, col2名, ...]
    column_names = header[1:]               # 跳过第一列（字段名列）
    field_data = {}
    for line in lines[1:]:
        parts = line.split('\t')
        if len(parts) < 2:
            continue
        field = parts[0].strip()
        values = parts[1:]
        if field not in field_data:
            field_data[field] = values
    return field_data, column_names

field_data, column_names = parse_params(text)
print(f'网页列头: {column_names}')
print(f'字段数量: {len(field_data)} 个')

Step ④：确认字段映射

向用户展示映射表：

| Excel 列 | Excel 字段名    | 网页字段名          | 操作 |
|----------|---------------|-------------------|------|
| AI       | 最大功率(kW)   | 电机最大功率       | ← 请确认 |
| AJ       | 额定功率(kW)   | 电机额定功率       | ← 请确认 |
...

标准中文→列映射（适合摩托范等汽车参数站）：

Excel 列	中文表头关键词	网页字段名（常见）
AI	最大功率	电机最大功率、最大功率
AJ	额定功率	电机额定功率、额定持续功率
AK	电压	额定电压(V)、电压
AL	电池kWh	电池能量(kWh)、电池容量
AN	扭矩	电机最大扭矩(N·m)
AP	续航	官方续航里程(km)
AZ	前制动	前制动系统、前制动
BA	后制动	后制动系统、后制动
BE	前轮胎	前轮规格、前轮胎
BF	后轮胎	后轮规格、后轮胎
BB	轴距	轴距(mm)
BI	整备质量	整备质量(kg)
BJ	最大允许总质量	最大允许总质量（通常 = 整备质量 + 载荷）
BK	最高车速	最高车速(km/h)
BM	载荷	最大有效载荷(kg)
BO	价格	参考价
AV	前悬挂	前悬挂系统
AW	后悬挂	后悬挂系统
AT	车架结构	车架型式
AS	传动方式	传动方式、驱动形式

用户可自定义映射：告知用户可直接在对话中告诉我"网页的 XX 字段对应 Excel 的 YY 列"，我会添加到映射中。

Step ⑤：写入 Excel

from openpyxl import load_workbook

wb = load_workbook(excel_path)
sheet = wb[sheet_name]

def col_to_num(letter):
    """列字母 → 列号（A=1, Z=26, AA=27...）"""
    num = 0
    for c in letter.upper():
        num = num * 26 + (ord(c) - ord('A') + 1)
    return num

def clean_val(v):
    """清洗值：去除¥符号、逗号、空格，暂无报价→跳过"""
    if v is None: return None
    s = str(v).strip().replace('¥','').replace(',','').replace(' ','')
    if s in ('-','暂无报价','','None','—'): return None
    try: return float(s)
    except: return s.strip()

def write_row(sheet, row_num, field_data, col_idx, field_map):
    """向指定行写入，col_idx=网页列索引（0=第1列车型）"""
    updates = []
    for web_field, excel_col in field_map.items():
        if web_field not in field_data:
            continue
        vals = field_data[web_field]
        if col_idx >= len(vals):
            continue
        raw = vals[col_idx]
        val = clean_val(raw)
        if val is None:
            continue
        col_num = col_to_num(excel_col)
        old = sheet.cell(row_num, col_num).value
        if old is None:                      # 只填空值，不覆盖已有
            sheet.cell(row_num, col_num).value = val
            updates.append((row_num, excel_col, col_num, field_data.get('参考价', ['']*99)[col_idx], None, val))
    return updates

# 执行写入
all_updates = []
for row_num in range(start_row, end_row + 1):
    name = sheet.cell(row_num, 10).value    # J列=车型/产品名
    col_idx = user_specified_index         # 0=第1列, 1=第2列...
    ups = write_row(sheet, row_num, field_data, col_idx, field_map)
    all_updates.extend(ups)
    if ups:
        print(f'  ✅ 行{row_num} {str(name):<30} 更新了 {len(ups)} 个字段')

wb.save(excel_path)
print(f'\n✅ 已保存: {excel_path}')

Step ⑥：输出变更摘要

def make_report(excel_path, sheet_name, start_row, end_row, updates):
    lines = [
        f'📊 数据填充完成报告',
        f'文件 : {excel_path}',
        f'Sheet: {sheet_name}',
        f'填写范围: 第 {start_row}～{end_row} 行',
        '',
    ]
    if updates:
        lines.append(f'{"行":<5} {"列":<6} {"新值"}')
        lines.append('-' * 50)
        for row, col, col_num, name_or_price, old, new in updates:
            lines.append(f'  行{row:<3} {col:<6} {new}')
    else:
        lines.append('⚠️ 无更新（目标单元格可能已有数据）')
    return '\n'.join(lines)

print(make_report(excel_path, sheet_name, start_row, end_row, all_updates))

多 URL 批量处理

若用户提供多个 URL（每个产品一页）：

urls_and_rows = [
    (row33, 'https://.../FX/configuration.html'),
    (row34, 'https://.../NX/configuration.html'),
    (row35, 'https://.../NS/configuration.html'),
]
for row_num, url in urls_and_rows:
    # 对每个 URL：连接浏览器 → 抓取 → 解析 → 写入 → 记录
    pass

注意事项

• 只填空值：写入前检查 sheet.cell(row, col).value is None，不覆盖已有数据
• 价格清洗：¥12,999 → 12999，暂无报价 → 跳过
• 多 tab 复用：已有目标 URL 的 tab 时，直接 attach 复用，不重复创建
• 参数页结构：参数内容通常在 configuration.html 子页面
• 网页字段探测：若第一行非参数表，先 accessibility_tree() 查看页面结构
• 用户自定义：任何字段映射都可在对话中实时告知，无需修改代码

---

⚠️ 通用最佳实践（必须遵循）

1. 每次动态读取 Excel 表头，不凭记忆映射

def build_excel_header_map(sheet, header_row=16):
    """读取 Excel 表头行，建立 {列字母: 字段名} 映射"""
    import openpyxl.utils
    header_map = {}
    for col in range(1, 200):
        val = sheet.cell(header_row, col).value
        if val:
            letter = openpyxl.utils.get_column_letter(col)
            header_map[letter] = str(val).strip()
    return header_map

# 使用示例
header_map = build_excel_header_map(sheet, header_row=16)
print(f"Excel 表头: {header_map}")

2. 字段映射双向确认

def confirm_field_mapping(field_data, header_map, field_keywords):
    """
    建立网页字段 → Excel列 的映射，并向用户展示确认
    
    field_keywords: {Excel列: [可能的关键词列表]}
    例如: {'BM': ['载荷', '有效载荷', 'payload', '载重'],
           'BI': ['整备质量', '重量', 'weight', 'kg']}
    """
    mapping = {}
    print("📋 字段映射确认：")
    print(f"{'Excel列':<8} {'Excel字段名':<25} {'网页字段名':<20} {'状态'}")
    print("-" * 70)
    
    for excel_col, keywords in field_keywords.items():
        excel_field = header_map.get(excel_col, '未知')
        matched = None
        for web_field in field_data.keys():
            if any(kw in web_field for kw in keywords):
                matched = web_field
                break
        if matched:
            mapping[matched] = excel_col
            print(f"{excel_col:<8} {excel_field:<25} {matched:<20} ✅ 匹配")
        else:
            print(f"{excel_col:<8} {excel_field:<25} {'--':<20} ⚠️ 未匹配")
    
    return mapping

# 向用户展示映射表，等待确认后再写入

3. 写入前清空旧数据（重新抓取时）

def clear_range(sheet, start_row, end_row, cols_to_clear):
    """清空指定范围的单元格（重新抓取同一范围时使用）"""
    for row in range(start_row, end_row + 1):
        for col in cols_to_clear:
            sheet.cell(row, col).value = None
    print(f'已清空行 {start_row}-{end_row} 的 {len(cols_to_clear)} 列')

# 使用前询问用户
# user_confirm = input("是否清空目标行的旧数据？(y/n): ")
# if user_confirm.lower() == 'y':
#     clear_range(sheet, start_row, end_row, list(field_map.values()))

4. 变体数量验证

def validate_variant_count(field_data, column_names, expected_count=None):
    """
    验证网页列数与预期变体数是否匹配
    expected_count=None 时不验证，仅输出信息
    """
    web_columns = len(column_names)
    print(f"📊 网页列数: {web_columns}")
    print(f"   列名: {column_names[:5]}{'...' if len(column_names) > 5 else ''}")
    
    if expected_count is not None and web_columns != expected_count:
        print(f'⚠️ 警告：网页有 {web_columns} 列，但预期 {expected_count} 个变体')
        print('   可能存在数据丢失或多余列，请检查！')
        return False
    return True

5. Lazy Loading 处理

def handle_lazy_loading(client, min_chars=10000, max_scrolls=5):
    """
    处理页面懒加载，确保内容完整抓取
    """
    for i in range(max_scrolls):
        # 获取当前页面文本
        result = client.send("Runtime.evaluate", {
            "expression": "document.body.innerText.length"
        })
        current_len = result['result']['value']
        
        if current_len >= min_chars:
            print(f"✅ 页面内容完整 ({current_len} 字符)")
            break
        
        # 滚动到底部
        client.send("Runtime.evaluate", {
            "expression": "window.scrollTo(0, document.body.scrollHeight)"
        })
        time.sleep(1.5)
        print(f"  滚动 {i+1}/{max_scrolls}，当前 {current_len} 字符")
    else:
        print(f"⚠️ 滚动 {max_scrolls} 次后仍未达到预期长度")

---

🚫 常见错误警示

错误做法	正确做法
凭上次任务的映射直接套用	每次重新读取 Excel 表头，动态建立映射
假设某列固定对应某字段	通过关键词匹配 + 用户确认建立映射
重新抓取时不清空旧数据	先清空目标行，再写入新数据
忽略变体数量不匹配	验证网页列数 = 预期变体数，不等则报警
页面内容截断就写入	多次滚动触发懒加载，确认内容完整