1. 项目概述：为什么要在Jetson Nano上折腾DeepSeek？

最近手头有个闲置的Jetson Nano开发板，看着它4GB的内存和相对羸弱的CPU，总觉得让它跑跑简单的视觉Demo有点大材小用，或者说，没把它的潜力榨干。正好DeepSeek这类开源大模型火得不行，我就琢磨着，能不能把这“老伙计”变成一个本地的、能跑起来的AI对话终端？毕竟，云端API调用有延迟、有费用，还涉及隐私，如果能在本地设备上跑通一个可用的模型，哪怕能力弱一些，对于学习、调试或者一些简单的离线任务，意义还是很大的。

这个项目的核心目标，就是在基于ARM架构的NVIDIA Jetson Nano开发板上，成功部署并运行DeepSeek大语言模型。这里说的“运行”，不是指调用云端API，而是指通过Ollama这类工具，将模型文件拉取到本地，并在Jetson Nano的硬件上完成推理。整个过程会涉及到ARM64环境的适配、CUDA的配置、Ollama的安装与模型拉取，以及最后在终端或通过API进行测试。对于拥有类似边缘计算设备（如树莓派、其他Jetson系列）的开发者来说，这是一次非常典型的“边缘AI”实践，能让你深刻理解从云端模型到边缘部署的全链路挑战和解决方案。

2. 环境准备与深度解析：Jetson Nano的“底子”与挑战

在开始动手之前，我们必须对Jetson Nano的硬件和系统环境有一个清醒的认识。这不是一台x86的PC，它的每一步操作都可能遇到ARM架构带来的“惊喜”。

2.1 硬件与系统基础盘点

我使用的是一台Jetson Nano 4GB开发者套件版。它的核心配置如下：

  • CPU : 四核ARM Cortex-A57 @ 1.43 GHz。这个性能大概相当于几年前的中端手机处理器，处理复杂编译任务时会比较慢。
  • GPU : 128核NVIDIA Maxwell架构GPU。这是我们的主力，所有AI推理计算都指望它了。虽然架构老，但支持CUDA，这就是价值所在。
  • 内存 : 4GB LPDDR4。这是最大的瓶颈！大模型动辄需要数GB甚至数十GB的内存，4GB意味着我们只能运行参数量较小的模型版本（通常是7B参数以下的量化版）。
  • 存储 : 我为其配备了一张64GB的microSD卡。系统、软件、模型都放在这里。读写速度会直接影响体验，建议使用Class 10或UHS-I以上规格的卡。

系统方面，我刷写了NVIDIA官方提供的JetPack 4.6.1镜像（具体版本号可能随时间更新，请以官网最新为准）。这个镜像包含了Ubuntu 18.04 LTS、CUDA 10.2、cuDNN 8.x等一整套为Jetson优化的软件栈。 非常重要的一点：请务必使用NVIDIA官方提供的镜像，而不是自己安装Ubuntu再配驱动，那会是一场灾难。 官方镜像已经做好了内核、驱动、CUDA的深度集成。

开机后，第一件事是检查基础环境： 

# 查看系统版本和内核
cat /etc/os-release
uname -a

# 查看CUDA和GPU信息
nvcc --version # 如果提示命令未找到，可能需要将/usr/local/cuda/bin加入PATH
nvidia-smi

nvidia-smi 这个命令很关键，它能告诉你GPU是否被正确识别、驱动是否加载、以及当前GPU的内存使用情况。在Jetson Nano上，它的输出可能不像服务器显卡那样信息丰富，但只要能显示GPU型号和少量内存信息，就说明基础环境是OK的。

2.2 依赖安装与系统优化

Jetson Nano的默认镜像为了节省空间，很多开发工具没有预装。我们需要先补全一些基础依赖。 

# 更新软件源并升级现有包
sudo apt-get update
sudo apt-get upgrade -y

# 安装编译、下载等基础工具
sudo apt-get install -y \
    curl \
    wget \
    git \
    build-essential \
    libssl-dev \
    zlib1g-dev \
    libbz2-dev \
    libreadline-dev \
    libsqlite3-dev \
    llvm \
    libncurses5-dev \
    libncursesw5-dev \
    xz-utils \
    tk-dev \
    libffi-dev \
    liblzma-dev \
    python3-openssl

接下来是Python环境。系统自带了Python 3.6，但有些新工具可能要求更高版本。我选择使用 pyenv 来管理多版本Python，这样更灵活，也不会破坏系统自带的Python。 

# 安装pyenv
curl https://pyenv.run | bash

# 将pyenv初始化脚本添加到shell配置文件中（如 ~/.bashrc）
echo 'export PATH="$HOME/.pyenv/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
echo 'eval "$(pyenv virtualenv-init -)"' >> ~/.bashrc
source ~/.bashrc

# 安装一个较新的Python版本，例如Python 3.10.13
# 注意：在Jetson Nano上编译Python非常耗时，可能需要1-2小时
pyenv install 3.10.13

# 设置为全局默认版本
pyenv global 3.10.13

# 验证
python --version
pip --version

注意 ：在ARM设备上从源码编译Python是一个极其漫长的过程，期间CPU会满载，开发板可能会比较热。请确保供电充足（最好使用桶形电源而非Micro USB供电），并耐心等待。如果中途失败，多半是内存不足，可以尝试增加swap空间。

系统优化项 ：

  1. 交换空间（Swap） ：4GB内存跑大模型很容易爆掉。增加Swap空间相当于用存储空间模拟内存，能防止进程因内存不足（OOM）被系统杀死。但SD卡速度慢，Swap用多了会卡顿，这是权衡。 
    # 创建一个8GB的交换文件
sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
# 为了开机自动挂载，将下面一行添加到 /etc/fstab
# /swapfile none swap sw 0 0
  2. 电源模式 ：Jetson Nano有两种电源模式：5W和10W（Max-N）。10W模式能解锁CPU和GPU的更高频率，性能更好，但需要足够的散热。如果你使用了风扇散热片，建议设置为10W模式。 
    sudo nvpmodel -m 0 # 0代表10W模式（Max-N），1代表5W模式
sudo jetson_clocks # 启用风扇并设置静态时钟（性能模式）

3. Ollama的安装与配置：在ARM64上的特别之旅

Ollama是目前在本地运行大模型非常流行的工具，它简化了模型下载、加载和提供API的整个过程。但官方安装脚本主要针对x86_64架构，我们需要为ARM64（特别是Jetson的aarch64）进行手动安装。

3.1 手动安装Ollama

Ollama本身是一个Go语言编写的二进制文件，我们需要下载适用于ARM64的版本。 

# 前往Ollama的GitHub发布页，找到最新的Linux ARM64版本下载链接
# 例如（链接可能过期，请检查最新版本）：
curl -L -o ollama-linux-arm64 https://github.com/ollama/ollama/releases/download/v0.1.40/ollama-linux-arm64

# 赋予执行权限并移动到系统路径
chmod +x ollama-linux-arm64
sudo mv ollama-linux-arm64 /usr/local/bin/ollama

# 验证安装
ollama --version

如果 /usr/local/bin 不在你的PATH中，可以将其加入，或者直接使用绝对路径 /usr/local/bin/ollama 。

3.2 配置Ollama服务与国内镜像

为了让Ollama在后台持续运行并提供服务，我们将其设置为系统服务。 

# 创建Ollama服务用户（可选，但推荐）
sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama

# 创建服务文件
sudo tee /etc/systemd/system/ollama.service << EOF
[Unit]
Description=Ollama Service
After=network-online.target

[Service]
Type=exec
User=ollama
Group=ollama
ExecStart=/usr/local/bin/ollama serve
Restart=always
RestartSec=3
Environment="PATH=/usr/local/bin:/usr/bin:/bin"
Environment="OLLAMA_HOST=0.0.0.0" # 允许非本地连接，方便其他设备访问
Environment="OLLAMA_ORIGINS=*" # 允许所有来源的CORS请求（开发环境，生产需限制）

# 可选：如果你配置了国内镜像源，可以在这里设置
# Environment="OLLAMA_MODELS=/path/to/your/local/models" # 自定义模型存储路径

[Install]
WantedBy=default.target
EOF

# 重新加载systemd配置
sudo systemctl daemon-reload
# 启用服务开机自启
sudo systemctl enable ollama
# 启动服务
sudo systemctl start ollama
# 查看服务状态
sudo systemctl status ollama

如果状态显示为 active (running) ，说明服务启动成功。默认情况下，Ollama的API服务会运行在 11434 端口。

关于模型下载 ：直接从Ollama官方拉取模型对于国内用户可能非常慢甚至不可行。这里有两个解决方案：

  1. 使用国内镜像源（推荐） ：一些社区维护了Ollama模型的镜像。你可以在运行 ollama pull 命令前，通过环境变量或修改配置来指定镜像站。例如（镜像站地址需自行寻找可用的）： 

    export OLLAMA_MODEL_SOURCE="https://mirror.example.com/ollama"
ollama pull deepseek-coder:6.7b

    请注意，镜像站的可用性和完整性需要自行甄别。

  2. 手动导入模型文件 ：先从其他网络环境好的机器下载模型文件（通常是 Modelfile 和多个二进制分片），然后传输到Jetson Nano上，使用 ollama create 和 ollama run 来手动创建模型。具体步骤可以参考Ollama官方文档关于“从GGUF文件创建”的部分。这需要你对模型文件格式有一定了解。

实操心得 ：在Jetson Nano上，我强烈建议先在其他电脑（比如x86的笔记本）上，用Ollama把需要的模型 pull 下来。模型文件通常存储在 ~/.ollama/models 目录下。然后将这个目录整个打包，通过SCP或者U盘拷贝到Jetson Nano的对应位置（注意用户权限，如果是 ollama 用户运行服务，则需要将文件放在 /usr/share/ollama/.ollama/models 或类似路径，并修改所有者）。这能节省大量时间和避免网络问题。

4. 拉取与运行DeepSeek模型：选择与适配的博弈

Ollama支持很多模型，但并非所有模型都适合Jetson Nano。我们需要考虑两个关键约束： 内存 和 架构 。

4.1 模型选择：量化版本是唯一出路

原始的DeepSeek Coder 6.7B或DeepSeek-V2等模型，仅FP16精度就需要超过13GB的GPU内存，这远远超出了Jetson Nano的4GB物理内存+8GB Swap的能力。因此，我们必须使用 量化模型 。

量化是一种模型压缩技术，通过降低模型权重（参数）的数值精度（例如从FP16降到INT4、INT8）来大幅减少模型大小和内存占用，同时尽可能保持模型性能。常见的量化格式有GGUF（llama.cpp社区推动）、GPTQ、AWQ等。Ollama主要支持GGUF格式。

对于Jetson Nano 4GB，我的经验是：

  • 7B参数模型 ：可以尝试 q4_0 或 q4_K_M 等4位量化版本。加载后，GPU内存占用大约在3-4GB，会非常紧张，推理速度慢，且极易触发Swap导致卡顿。
  • 更小的模型（如1B-3B） ：是更实际的选择。例如 deepseek-coder:1.3b 、 phi 系列、 tinyllama 等。它们能在有限内存下提供更流畅的交互体验。

假设我们决定尝试 deepseek-coder:6.7b 的量化版。首先需要查看Ollama支持的该模型的标签（tag）。 

# 搜索deepseek相关模型（需要网络）
ollama list | grep deepseek
# 或者去Ollama官网查看模型库：https://ollama.com/library

# 假设我们找到了一个合适的标签，例如 `deepseek-coder:6.7b-q4_0`
# 拉取模型（这将开始下载，耗时很长）
ollama pull deepseek-coder:6.7b-q4_0

重要提示 ：在Jetson Nano上直接执行 ollama pull 很可能因为网络或内存问题失败。如前所述， 强烈建议在其它机器上拉取后拷贝过来 。

4.2 手动处理模型文件（备用方案）

如果Ollama官方库没有你想要的特定量化版本，或者你想使用自己转换的GGUF模型，可以手动操作。

  1. 获取GGUF模型文件 ：从Hugging Face等社区平台下载对应模型的GGUF格式文件（例如 deepseek-coder-6.7b-instruct.Q4_K_M.gguf ）。
  2. 创建Modelfile ：这是一个告诉Ollama如何加载模型的配置文件。 
    # Modelfile 示例
FROM /绝对/路径/到/你的/deepseek-coder-6.7b-instruct.Q4_K_M.gguf

# 设置一些参数
PARAMETER temperature 0.7
PARAMETER top_p 0.9
PARAMETER num_ctx 2048 # 上下文长度，根据模型能力和内存调整，越小越省内存
    将上述内容保存为 Modelfile 文件。
  3. 创建并运行模型 ： 
    # 在Modelfile所在目录执行
ollama create my-deepseek -f ./Modelfile
# 运行模型
ollama run my-deepseek

4.3 首次运行与性能观察

当你第一次执行 ollama run 时，Ollama会加载模型到内存。这是最紧张的时刻。 

# 在终端中交互式运行
ollama run deepseek-coder:6.7b-q4_0
# 或者运行你自定义的模型
# ollama run my-deepseek

观察终端输出。你会看到加载进度条。同时，打开另一个终端，运行以下命令监控系统资源： 

# 监控GPU使用情况
watch -n 1 nvidia-smi

# 监控内存和Swap使用情况
watch -n 1 free -h

# 监控整体系统负载
htop

如果模型成功加载并出现了提示符（例如 >>> ），恭喜你，最艰难的一步已经完成！你可以尝试输入一些简单的编程问题或对话。

性能预期管理 ：在Jetson Nano上运行6.7B的4位量化模型，生成速度可能只有1-3个token/秒。对于简单的代码补全或问答尚可接受，但进行长文本对话会非常需要耐心。更小的模型（如1.3B）速度会快很多，可能达到10-20 token/秒。

5. 高级配置与优化：榨干每一分性能

基础运行只是第一步，要让体验更好，还需要一些优化。

5.1 调整Ollama运行参数

通过环境变量或在 ollama run 时传递参数，可以调整模型运行方式，以更好地适应Jetson Nano。

  • 限制运行线程 ：默认Ollama可能会使用所有CPU核心，在ARM上有时反而会因调度开销降低效率。可以尝试限制使用的CPU核心数。 

    # 通过numa控制，但Jetson Nano是单节点，更简单的方法是使用taskset
# 首先，找到ollama serve进程的PID
ps aux | grep ollama
# 然后，用taskset绑定到特定CPU核心（例如核心0和1）
sudo taskset -cp 0,1 <PID>

    更一劳永逸的方法是在systemd服务文件 [Service] 部分添加： 

    Environment="OMP_NUM_THREADS=2" # 限制OpenMP线程数
TasksMax=50% # 限制CPU使用率（systemd特性）

  • 调整模型加载参数 ：在 Modelfile 或运行命令中，可以调整关键参数来平衡速度和内存。 

    ollama run deepseek-coder:6.7b-q4_0 --num_ctx 1024 --num_batch 256 --num_gpu_layers 20
    • --num_ctx 1024 ：将上下文长度从默认的2048减半，显著减少内存占用。
    • --num_batch 256 ：处理提示时的批次大小，影响内存和速度。
    • --num_gpu_layers 20 ：指定将模型的前20层放在GPU上运行，其余在CPU。这个数字需要反复试验，放太多GPU内存不够，放太少GPU加速效果差。对于6.7B模型，在4GB Jetson上，10-30层是一个可以尝试的范围。

5.2 使用API接口与外部工具集成

Ollama默认在 http://127.0.0.1:11434 提供与OpenAI兼容的API。这意味着你可以用任何支持OpenAI API的客户端来连接它。

使用curl测试API ： 

curl http://127.0.0.1:11434/api/generate -d '{
  "model": "deepseek-coder:6.7b-q4_0",
  "prompt": "用Python写一个快速排序函数",
  "stream": false
}'

配置VS Code或Cursor等编辑器 ：许多现代代码编辑器支持配置本地大模型作为补全或聊天助手。

  1. 在VS Code中安装 Continue 或 CodeGPT 等插件。
  2. 在插件设置中，将API Base URL设置为 http://localhost:11434/v1 （注意 /v1 后缀）。
  3. API Key可以留空或随意填写。
  4. 模型名称填写你在Ollama中拉取的模型名，如 deepseek-coder:6.7b-q4_0 。

这样，你就可以在熟悉的编辑器环境中，获得由本地Jetson Nano提供的代码补全和建议了，虽然速度不快，但隐私性极佳。

5.3 编写自动化脚本与管理多个模型

当你有多个模型或需要定期执行某些任务时，脚本非常有用。

一个简单的对话脚本 ( chat_with_deepseek.py )： 

import requests
import json

def ask_ollama(prompt, model="deepseek-coder:6.7b-q4_0", host="localhost", port=11434):
    url = f"http://{host}:{port}/api/generate"
    payload = {
        "model": model,
        "prompt": prompt,
        "stream": False,
        "options": {
            "num_ctx": 1024,
            "temperature": 0.7
        }
    }
    try:
        response = requests.post(url, json=payload, timeout=300) # 设置长超时
        response.raise_for_status()
        return response.json()["response"]
    except requests.exceptions.RequestException as e:
        return f"Error: {e}"

if __name__ == "__main__":
    while True:
        user_input = input("\nYou: ")
        if user_input.lower() in ['exit', 'quit']:
            break
        print("\nDeepSeek: ", end='', flush=True)
        answer = ask_ollama(user_input)
        print(answer)

模型管理脚本 ：用于切换不同任务所需的模型。 

#!/bin/bash
# switch_model.sh
MODEL_NAME=$1

# 停止当前可能运行的ollama服务（粗暴但有效）
sudo systemctl stop ollama
# 等待进程完全结束
sleep 3

# 这里可以做一些清理工作，比如清空GPU内存（如果有其他进程占用）
# 实际上ollama停止后，GPU内存会被释放

# 启动服务并运行指定模型
sudo systemctl start ollama
sleep 5 # 等待服务启动
ollama run $MODEL_NAME

6. 常见问题与排查实录：我踩过的那些坑

在这一路上，我遇到了不少问题，这里把典型的几个和解决方法记录下来，希望能帮你节省时间。

6.1 内存不足（OOM）问题

症状 ：运行 ollama run 时，进程被杀死，终端显示 Killed ，或者系统变得极其卡顿，然后Ollama服务崩溃。 dmesg 日志中能看到 Out of memory 相关记录。

排查与解决 ：

  1. 确认模型大小 ：首先确保你拉的模型是量化版（q4, q5, q8等），并且参数规模（如6.7B）对于4GB内存来说已经是极限。优先尝试更小的模型（如1.3B, 3B）。
  2. 增加Swap空间 ：如前所述，将Swap扩大到8GB甚至16GB（如果SD卡空间足够）。这不能提升速度，但能防止进程被直接杀死。
  3. 调整模型参数 ：这是最有效的手段。在运行或创建模型时，强制减少上下文长度 num_ctx （例如从4096降到1024或512）。这能线性减少内存占用。
  4. 卸载无用进程 ：关闭图形界面（如果不需要），进入纯命令行模式，可以节省不少内存。使用 sudo systemctl set-default multi-user.target 然后重启。
  5. 监控工具 ：养成使用 htop 和 nvidia-smi 的习惯，在运行模型前先看看空闲内存有多少。

6.2 模型加载失败或输出乱码

症状 ：模型能拉取，但运行时报错，例如 unexpected tensor type ，或者生成的内容全是乱码、重复字符。

排查与解决 ：

  1. 模型文件损坏 ：这是最常见的原因，尤其是在网络不好时拉取的模型。解决方法是用 ollama rm <model-name> 删除模型，然后重新拉取（建议在稳定网络环境下进行）。或者使用 ollama pull 的 --insecure 参数跳过某些校验（不推荐）。
  2. 量化格式不兼容 ：Ollama的GGUF加载器可能对某些非常新的或特殊的量化格式支持不好。尝试换一个更通用的量化类型，例如从 q4_K_M 换成 q4_0 。
  3. Modelfile配置错误 ：如果你是自己创建Modelfile，检查 FROM 指令指向的GGUF文件路径是否正确，文件是否有读取权限。

6.3 Ollama服务无法启动或端口占用

症状 ：执行 sudo systemctl status ollama 显示失败，或者用 curl 测试API连接超时。

排查与解决 ：

  1. 检查端口占用 ： 11434 端口可能被其他程序占用。使用 sudo netstat -tlnp | grep 11434 查看。
  2. 检查服务日志 ：使用 sudo journalctl -u ollama -f 实时查看服务日志，里面通常有具体的错误信息。
  3. 权限问题 ：如果修改了模型存储路径，或者用不同用户运行过Ollama，可能导致权限混乱。检查 /usr/share/ollama 目录及其子目录的所有者和权限，确保运行Ollama服务的用户（如 ollama ）有读写权限。
  4. 二进制文件兼容性 ：确保下载的Ollama二进制文件是ARM64版本，而不是x86_64版本。可以用 file /usr/local/bin/ollama 命令检查。

6.4 推理速度极慢

症状 ：模型能运行，但生成每个词都要等好几秒甚至十几秒。

排查与解决 ：

  1. 检查是否在用GPU ：这是最关键的一点。运行模型时，观察 nvidia-smi ，看GPU利用率（Volatile GPU-Util）是否在波动。如果一直是0%，说明模型完全运行在CPU上，速度必然极慢。这通常是因为 num_gpu_layers 参数设置为0，或者模型不支持GPU卸载。确保在运行命令或Modelfile中设置了合适的 num_gpu_layers （一个大于0的值）。
  2. Swap频繁使用 ：如果 free -h 显示Swap使用量（used）很高，且 si / so （swap in/out）数值持续不为0，说明内存严重不足，系统在频繁使用低速的Swap，导致整体卡顿。此时只能换更小的模型或进一步降低 num_ctx 。
  3. 电源和散热 ：确认Jetson Nano运行在10W模式（ sudo nvpmodel -m 0 ），并且散热良好。过热会导致CPU/GPU降频，性能下降。可以加装风扇或散热片。
  4. 使用更高效的量化 ：在模型精度可接受的范围内，使用更激进的量化。例如，从 q8_0 换到 q4_0 ，模型体积和计算量都会减小。

6.5 网络问题与镜像源配置

症状 ： ollama pull 速度极慢，或者根本连不上。

排查与解决 ：

  1. 使用国内镜像 ：这是最有效的解决方案。积极搜索可用的Ollama国内镜像站，并通过环境变量配置。
  2. 手动下载再导入 ：如前面反复强调的，在PC端下载好模型文件（GGUF），然后通过SCP、U盘等方式拷贝到Jetson Nano。在Jetson上使用 ollama create 从本地文件创建模型。这是绕过网络问题最彻底的方法。
  3. 代理配置（需合规） ：如果你有合规的网络访问方式，可以在系统或Ollama服务级别配置。但请注意，配置代理本身需要谨慎处理，确保符合所有相关规定。

整个项目折腾下来，最大的体会就是“妥协的艺术”。在Jetson Nano这样的资源受限边缘设备上部署大模型，你必须在模型能力、响应速度、内存占用和功耗之间反复权衡。没有完美的方案，只有最适合你当前场景的选择。对于教育演示、离线轻量问答、特定领域的代码补全，这个方案是可行且有趣的。但对于需要高响应、长上下文的生产环境，它显然力不从心。不过，这个过程本身带来的对模型部署、硬件性能、量化技术以及Linux系统调优的理解，是任何理论教程都无法替代的。最后一个小技巧，给你的Jetson Nano配一个主动散热风扇和一个可靠的5V 4A电源，它能让你在调试的路上走得更稳当。

# DeepSeek # 边缘计算
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区