【AI&游戏】专栏-直达

Docker容器化部署AI模型指南

Docker部署是现代AI应用的标准实践，提供了环境隔离、可移植性和易于扩展的优势。在AI模型部署领域，Docker已经成为事实上的标准，它不仅简化了环境配置，还使得模型部署可以在不同环境中保持一致性。本文将详细介绍如何使用Docker部署各种AI模型推理服务，包括vLLM、Ollama、LMDeploy等主流框架。

为什么选择Docker部署AI模型？

在深入具体部署方法之前，让我们先了解为什么Docker成为AI模型部署的首选方案：

1. 环境隔离与一致性

  • 依赖管理：每个容器包含完整的运行环境，避免主机系统依赖冲突
  • 跨平台兼容：同一镜像可以在不同操作系统上运行，确保开发与生产环境一致
  • 版本控制：通过标签管理不同版本的模型和推理引擎

2. 资源管理与优化

  • GPU支持：NVIDIA Container Toolkit允许容器直接访问GPU资源
  • 资源限制：可以精确控制容器的CPU、内存和GPU使用量
  • 性能优化：通过共享内存和卷挂载优化模型加载和推理性能

3. 部署与扩展便利性

  • 快速部署：几分钟内启动完整的AI推理服务
  • 水平扩展：通过容器编排工具轻松扩展实例数量
  • 滚动更新：支持零停机时间的模型更新

4. 生产级特性

  • 健康检查：自动检测服务状态并重启异常容器
  • 日志收集：标准化日志输出，便于监控和调试
  • 安全加固：容器权限控制和网络隔离

一、vLLM Docker部署

vLLM是一个高性能的LLM推理引擎，采用PagedAttention技术实现了连续批处理，能够显著提升吞吐量和内存利用率。在生产环境中，vLLM已经成为许多公司的首选推理引擎。

1.1 基础部署

1.1.1 使用官方镜像

vLLM提供官方的Docker镜像，可以直接使用：

# GPU推理
docker run --gpus all -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct
1.1.2 使用自定义模型
# 使用本地模型文件
docker run --gpus all -v /path/to/models:/models \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model /models/llama-3.1-8b \
  --dtype half

1.2 高级配置选项

1.2.1 内存和性能优化
# 使用PagedAttention优化内存使用
docker run --gpus all \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  --shm-size=4g \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --max-model-len 4096 \
  --gpu-memory-utilization 0.9 \
  --tensor-parallel-size 2
1.2.2 配置参数说明
参数说明示例值
--model模型名称或路径meta-llama/Llama-3.1-8B-Instruct
--tensor-parallel-size张量并行度（GPU数量）2
--gpu-memory-utilizationGPU内存利用率0.9
--max-model-len最大模型长度4096
--dtype数据类型half, bfloat16, float32

1.3 生产环境部署最佳实践

1.3.1 资源限制
# 限制CPU和内存使用
docker run --gpus all \
  --cpus="4" \
  --memory="16g" \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct
1.3.2 健康检查
# 添加健康检查
docker run --gpus all \
  --health-cmd="curl -f http://localhost:8000/health || exit 1" \
  --health-interval=30s \
  --health-timeout=10s \
  --health-retries=3 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct

1.4 使用场景

  • 高并发API服务：需要处理大量并发请求的生产环境
  • 实时推理应用：聊天机器人、代码补全等低延迟应用
  • 批量推理任务：文档处理、数据分析等批量处理场景

1.5 优缺点分析

优点：

  • 极高的吞吐量（PagedAttention技术）
  • 优秀的内存管理
  • OpenAI API兼容
  • 支持连续批处理

缺点：

  • 配置相对复杂
  • 需要较多GPU资源
  • 对特定模型支持可能有限

二、LMDeploy Docker部署

LMDeploy是由上海人工智能实验室开发的开源推理引擎，专门为大规模语言模型部署而设计，支持多种硬件平台和推理模式。

2.1 基础部署

2.1.1 使用官方镜像
# 基础部署
docker run --gpus all -p 8000:8000 \
  -v /path/to/models:/models \
  ghcr.io/lmdeploy/lmdeploy:latest \
  serve /models/Qwen2.5-7B-Instruct
2.1.2 使用HuggingFace模型
# 从HuggingFace加载模型
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  ghcr.io/lmdeploy/lmdeploy:latest \
  serve Qwen/Qwen2.5-7B-Instruct

2.2 高级配置

2.2.1 多GPU部署
# 使用多GPU推理
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  ghcr.io/lmdeploy/lmdeploy:latest \
  serve Qwen/Qwen2.5-7B-Instruct \
  --tp 2
2.2.2 配置参数说明
参数说明示例值
--tp张量并行度2
--model_name模型名称Qwen2.5-7B-Instruct
--model_path本地模型路径/models/Qwen2.5-7B-Instruct
--backend推理后端turbomind, pytorch

2.3 TurboMind后端

TurboMind是LMDeploy的高性能推理后端，专门为NVIDIA GPU优化：

# 使用TurboMind后端
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  ghcr.io/lmdeploy/lmdeploy:latest \
  serve Qwen/Qwen2.5-7B-Instruct \
  --backend turbomind

2.4 PyTorch后端

对于需要更灵活的推理场景，可以使用PyTorch后端：

# 使用PyTorch后端
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  ghcr.io/lmdeploy/lmdeploy:latest \
  serve Qwen/Qwen2.5-7B-Instruct \
  --backend pytorch

2.5 使用场景

  • 企业级部署：需要稳定、高性能的推理服务
  • 多模型服务：同时部署多个模型的场景
  • 边缘计算：资源受限环境下的模型部署

2.6 优缺点分析

优点：

  • 高性能推理引擎
  • 支持多种硬件平台
  • 良好的模型兼容性
  • 企业级稳定性

缺点：

  • 配置相对复杂
  • 社区相对较小
  • 文档需要完善

三、Ollama Docker部署

Ollama是一个简单易用的本地AI模型运行工具，支持多种开源模型，特别适合个人开发者和小型团队使用。

3.1 基础部署

3.1.1 GPU模式部署
# GPU支持
docker run -d --gpus all \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  --name ollama \
  ollama/ollama:latest
3.1.2 CPU模式部署
# CPU模式
docker run -d \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  --name ollama \
  ollama/ollama:latest cpu

3.2 模型管理

3.2.1 拉取模型
# 进入容器拉取模型
docker exec -it ollama ollama pull llama3.2

# 拉取多个模型
docker exec -it ollama ollama pull mistral
docker exec -it ollama ollama pull gemma
3.2.2 运行模型
# 交互式运行
docker exec -it ollama ollama run llama3.2

# API调用
curl http://localhost:11434/api/generate -d '{
  "model": "llama3.2",
  "prompt": "为什么天空是蓝色的？"
}'

3.3 高级配置

3.3.1 环境变量配置
# 设置环境变量
docker run -d --gpus all \
  -e OLLAMA_HOST=0.0.0.0 \
  -e OLLAMA_PORT=11434 \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  --name ollama \
  ollama/ollama:latest
3.3.2 自定义模型
# 创建自定义模型
docker exec -it ollama bash -c "cat > Modelfile << 'EOF'
FROM llama3.2
PARAMETER temperature 0.7
SYSTEM You are a helpful assistant.
EOF"

# 构建自定义模型
docker exec -it ollama ollama create my-model -f Modelfile

3.4 Docker Compose部署

version: '3.8'
services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

volumes:
  ollama_data:

3.5 使用场景

  • 个人开发：快速测试和原型开发
  • 本地AI应用：构建本地聊天机器人、代码助手
  • 教育和学习：AI模型学习和实验
  • 小型团队：内部工具和自动化

3.6 优缺点分析

优点：

  • 极其简单易用
  • 丰富的模型库支持
  • 良好的API兼容性
  • 活跃的社区支持

缺点：

  • 性能优化相对有限
  • 生产环境功能较少
  • 不支持复杂推理场景

四、SGLang Docker部署

SGLang是一个专门为大型语言模型设计的推理运行时，支持高效的模型服务和复杂的推理模式。

4.1 基础部署

4.1.1 使用官方镜像
# 基础部署
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  sglproject/sglang:latest \
  python -m sglang.launcher --model meta-llama/Llama-3.1-8B-Instruct
4.1.2 使用自定义模型
# 使用本地模型
docker run --gpus all -p 8000:8000 \
  -v /path/to/models:/models \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  sglproject/sglang:latest \
  python -m sglang.launcher --model /models/llama-3.1-8b

4.2 高级配置

4.2.1 多GPU部署
# 使用多GPU
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  sglproject/sglang:latest \
  python -m sglang.launcher \
    --model meta-llama/Llama-3.1-8B-Instruct \
    --tp-size 2
4.2.2 配置参数说明
参数说明示例值
--model模型名称或路径meta-llama/Llama-3.1-8B-Instruct
--tp-size张量并行度2
--mem-fraction-static静态内存比例0.9
--context-length上下文长度4096

4.3 生产环境配置

4.3.1 性能优化
# 优化性能配置
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  --shm-size=8g \
  sglproject/sglang:latest \
  python -m sglang.launcher \
    --model meta-llama/Llama-3.1-8B-Instruct \
    --mem-fraction-static 0.9 \
    --context-length 8192 \
    --enable-p2p-check
4.3.2 健康检查
# 添加健康检查
docker run --gpus all -p 8000:8000 \
  --health-cmd="curl -f http://localhost:8000/health || exit 1" \
  --health-interval=30s \
  --health-timeout=10s \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  sglproject/sglang:latest \
  python -m sglang.launcher --model meta-llama/Llama-3.1-8B-Instruct

4.4 使用场景

  • 复杂推理任务：需要复杂逻辑推理的应用
  • 多轮对话系统：支持上下文记忆的对话服务
  • 代码生成和分析：编程辅助工具

4.5 优缺点分析

优点：

  • 专为LLM优化
  • 支持复杂推理模式
  • 良好的性能表现
  • 活跃的开发社区

缺点：

  • 相对较新，生态还在发展中
  • 配置相对复杂
  • 模型支持有限

五、TGI（Text Generation Inference）Docker部署

TGI是由Hugging Face开发的生产级文本生成推理服务器，专为大规模部署而设计，支持多种模型和优化技术。

5.1 基础部署

5.1.1 使用官方镜像
# 基础部署
docker run --gpus all -p 3000:80 \
  -v ~/.cache/huggingface:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id meta-llama/Llama-3.1-8B-Instruct
5.1.2 使用自定义模型
# 使用本地模型
docker run --gpus all -p 3000:80 \
  -v /path/to/models:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id /data/llama-3.1-8b

5.2 高级配置

5.2.1 多GPU部署
# 使用多GPU
docker run --gpus all -p 3000:80 \
  -v ~/.cache/huggingface:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id meta-llama/Llama-3.1-8B-Instruct \
  --num-shard 2
5.2.2 配置参数说明
参数说明示例值
--model-id模型ID或路径meta-llama/Llama-3.1-8B-Instruct
--num-shard分片数量（GPU数量）2
--quantize量化方法bitsandbytes, gptq
--max-total-tokens最大总token数4096

5.3 量化部署

5.3.1 BitsAndBytes量化
# 4-bit量化
docker run --gpus all -p 3000:80 \
  -v ~/.cache/huggingface:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id meta-llama/Llama-3.1-8B-Instruct \
  --quantize bitsandbytes
5.3.2 GPTQ量化
# GPTQ量化
docker run --gpus all -p 3000:80 \
  -v ~/.cache/huggingface:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id TheBloke/Llama-2-13B-GPTQ \
  --quantize gptq

5.4 API使用

5.4.1 生成文本
# 生成文本
curl http://localhost:3000/generate \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{
    "inputs": "Hello, how are you?",
    "parameters": {
      "max_new_tokens": 50
    }
  }'
5.4.2 流式响应
# 流式生成
curl http://localhost:3000/generate_stream \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{
    "inputs": "Write a short story about a robot.",
    "parameters": {
      "max_new_tokens": 100
    }
  }'

5.5 生产环境部署

5.5.1 Docker Compose配置
version: '3.8'
services:
  tgi:
    image: ghcr.io/huggingface/text-generation-inference:latest
    container_name: tgi
    ports:
      - "3000:80"
    volumes:
      - model_cache:/data
    environment:
      - MODEL_ID=meta-llama/Llama-3.1-8B-Instruct
      - NUM_SHARD=2
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

volumes:
  model_cache:

5.6 使用场景

  • 企业级API服务：需要高可用性的生产环境
  • 多模型服务：同时部署多个模型的场景
  • 批量推理：文档处理、数据分析等批量任务

5.7 优缺点分析

优点：

  • 生产级稳定性
  • 优秀的性能优化
  • Hugging Face生态集成
  • 良好的文档支持

缺点：

  • 配置相对复杂
  • 资源需求较高
  • 模型支持有限制

六、生产环境部署方案

6.1 Docker Compose多服务部署

version: '3.8'
services:
  # vLLM推理服务
  vllm:
    image: vllm/vllm-openai:latest
    container_name: vllm-inference
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    ports:
      - "8000:8000"
    environment:
      - MODEL_NAME=meta-llama/Llama-3.1-8B-Instruct
      - MAX_MODEL_LEN=4096
    volumes:
      - model_cache:/root/.cache/huggingface
      - ./vllm-config:/etc/vllm
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8000/health"]
      interval: 30s
      timeout: 10s
      retries: 3
    restart: unless-stopped

  # Ollama服务
  ollama:
    image: ollama/ollama:latest
    container_name: ollama-service
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

  # Nginx反向代理
  nginx:
    image: nginx:latest
    container_name: nginx-proxy
    ports:
      - "80:80"
      - "443:443"
    depends_on:
      - vllm
      - ollama
    volumes:
      - ./nginx.conf:/etc/nginx/nginx.conf:ro
      - ./ssl:/etc/nginx/ssl:ro
    restart: unless-stopped

  # 监控服务
  prometheus:
    image: prom/prometheus:latest
    container_name: prometheus
    ports:
      - "9090:9090"
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
      - prometheus_data:/prometheus
    restart: unless-stopped

volumes:
  model_cache:
  ollama_data:
  prometheus_data:

6.2 Nginx配置示例

# nginx.conf
upstream vllm_backend {
    server vllm:8000;
}

upstream ollama_backend {
    server ollama:11434;
}

server {
    listen 80;
    server_name api.example.com;

    # vLLM API
    location /vllm/ {
        proxy_pass http://vllm_backend/;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        
        # WebSocket支持
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
    }

    # Ollama API
    location /ollama/ {
        proxy_pass http://ollama_backend/;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }

    # 健康检查
    location /health {
        access_log off;
        return 200 "healthy\n";
        add_header Content-Type text/plain;
    }
}

6.3 Kubernetes部署示例

# vllm-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-deployment
  namespace: ai-models
spec:
  replicas: 2
  selector:
    matchLabels:
      app: vllm
  template:
    metadata:
      labels:
        app: vllm
    spec:
      containers:
      - name: vllm
        image: vllm/vllm-openai:latest
        resources:
          limits:
            nvidia.com/gpu: 1
        ports:
        - containerPort: 8000
        env:
        - name: MODEL_NAME
          value: "meta-llama/Llama-3.1-8B-Instruct"
        volumeMounts:
        - name: model-cache
          mountPath: /root/.cache/huggingface
      volumes:
      - name: model-cache
        persistentVolumeClaim:
          claimName: model-cache-pvc
---
apiVersion: v1
kind: Service
metadata:
  name: vllm-service
  namespace: ai-models
spec:
  selector:
    app: vllm
  ports:
  - port: 80
    targetPort: 8000
  type: LoadBalancer

七、Docker部署最佳实践

7.1 资源管理

  • 使用NVIDIA Container Toolkit：确保GPU资源正确分配
  • 配置资源限制：使用--cpus、--memory限制容器资源
  • 模型缓存优化：使用卷挂载避免重复下载模型
  • 共享内存配置：使用--shm-size或--ipc=host优化性能

7.2 安全加固

  • 最小权限原则：使用非root用户运行容器
  • 网络隔离：使用Docker网络限制容器间通信
  • 敏感信息管理：使用Docker secrets或环境变量加密
  • 镜像安全扫描：定期扫描镜像漏洞

7.3 监控和日志

  • 健康检查：配置容器健康检查自动重启异常实例
  • 日志收集：使用JSON日志格式便于解析
  • 性能监控：集成Prometheus和Grafana监控指标
  • 告警配置：设置CPU、内存、GPU使用率告警

7.4 部署策略

  • 滚动更新：使用Kubernetes或Docker Swarm实现零停机更新
  • 蓝绿部署：同时运行新旧版本，快速切换
  • 金丝雀发布：逐步将流量切换到新版本
  • 回滚机制：保留旧版本镜像，支持快速回滚

7.5 性能优化

  • GPU内存优化：使用PagedAttention等技术减少内存使用
  • 批处理优化：配置合适的批处理大小
  • 缓存策略：使用Redis等缓存频繁访问的数据
  • 连接池：配置数据库和API连接池

八、常见问题解决

8.1 GPU无法访问

# 检查NVIDIA驱动
nvidia-smi

# 安装NVIDIA Container Toolkit
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
      && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
      && curl -fsSL https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
            sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
            sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

8.2 内存不足错误

# 增加容器内存限制
docker run --memory=16g --memory-swap=16g ...

# 使用量化模型减少内存使用
docker run ... --quantize bitsandbytes ...

8.3 网络连接问题

# 检查容器网络
docker network ls
docker network inspect bridge

# 创建自定义网络
docker network create ai-network
docker run --network=ai-network ...

九、平台支持总结

平台支持：

  • ✅ Linux (原生支持，最佳性能)
  • ⚠️ macOS (需要Colima或Docker Desktop，支持Apple Silicon)
  • ⚠️ Windows (WSL2/Docker Desktop，需要NVIDIA驱动)

十、总结

10.1 技术选型建议

  1. 新手入门：优先选择Ollama，简单易用，快速上手
  2. 高性能需求：选择vLLM，吞吐量高，内存优化好
  3. 企业级部署：选择LMDeploy或TGI，稳定可靠
  4. 复杂推理任务：选择SGLang，支持复杂逻辑推理

10.2 部署策略选择

场景推荐方案原因
个人开发Ollama + Docker简单易用，快速验证
生产API服务vLLM + Docker Compose高性能，易于扩展
企业部署LMDeploy + Kubernetes稳定可靠，支持编排
边缘计算llama.cpp + Docker轻量级，资源占用少

10.3 关键成功因素

  • 环境一致性：使用Docker确保开发和生产环境一致
  • 资源优化：合理配置GPU和内存资源
  • 监控告警：建立完善的监控体系
  • 安全加固：遵循安全最佳实践

10.4 未来发展趋势

  • 自动化部署：CI/CD流水线集成
  • 多云支持：跨云平台部署
  • 边缘AI：轻量化推理引擎
  • 绿色AI：能效优化

（欢迎点赞留言探讨，更多人加入进来能更加完善这个探索的过程，🙏）

# 人工智能 # docker # 容器
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