64000 个饰品、10 分钟一刷：四大平台的 Steam 挂刀行情站-育师

64000 个饰品、10 分钟一刷：四大平台的 Steam 挂刀行情站

【免费下载链接】SteamTradingSiteTrackerSteam 挂刀行情站 —— 24小时更新的 BUFF & IGXE & C5 & UUYP & ECO 挂刀比例数据 | Track cheap Steam Community Market items on buff.163.com, igxe.cn, c5game.com, youpin898.com and ecosteam.cn.项目地址: https://gitcode.com/GitHub_Trending/st/SteamTradingSiteTracker

刚在 BUFF 挂好一把刀，转头发现 IGXE 和 C5 的挂单更便宜，Steam 市场 24 小时只成交 15 单。四个平台来回比价比挂刀还累，SteamTradingSiteTracker（Steam 挂刀行情站）替你盯着 BUFF、IGXE、C5、UUYP 约 64000 个饰品，重点数据 10 分钟一刷。

它到底帮你省了什么

省掉手动比价。不用在四个平台的页面间来回切换：元数据爬虫提前把同一件饰品在各平台的 ID 解析好，数据采集模块按任务一次抓回四个平台的卖单和 Steam Market 的买卖盘。界面直接给出平台最低价、最高买价和挂刀比例，你只看结果。

省掉盯盘时间。系统 24 小时运行，重点饰品约 10 分钟更新一次。表格最右的"更新时间"列（如 22m 41s）让你一眼判断每行数据有多新，行情变了不会错过窗口。

省掉算错账的麻烦。Steam 侧价格做了扣费反推（5% 平台费 + 10% 发行商费），结果收集模块还会直接跳过 24 小时成交量不足 2 单的饰品。表格里看到的比例，是可实际成交口径的数字。

数据从哪来、到哪去

整条链路是四个环节，数据每 10 分钟跑完一轮。

第一站，Meta Crawler。它逐页抓 BUFF 的商品索引拿到饰品列表，再为每个饰品解析 Steam market_id、IGXE、C5、UUYP 的 ID，写入 MongoDB 的 meta 集合。元数据 14 天未更新即过期清理。

第二站，Task Mapper。它对比 meta 与 data 两张表，删掉消失的饰品、补上新饰品，再按 weighted_ratio 把所有饰品分三档，各取最久未更新的前 600 个生成任务，放进 Redis 任务池。

第三站，Data Fetcher。4 个进程跑异步请求，走代理池为每个饰品抓 6 类数据：Steam 24h 成交量与中位价、Steam 买卖盘，以及 buff / igxe / c5 / uuyp 的卖单列表。单个任务最多重试 80 次，成交量过低的直接标记完成。

第四站，Result Collector。它汇总多平台卖单，算出每个平台的最优价与保底价，再按买入、卖出、交易三种模式计算挂刀比例，写回 MongoDB 的 data 集合，同时更新该饰品的更新优先级。

最后，数据被 Django 的 Web 界面和 Vue 的微信小程序取走，渲染成你看到的表格。

Steam 挂刀行情站的数据流：饰品池（meta）→ Redis 任务池 → 多平台价格抓取 → 结果写回 data 表，两个前端消费最终数据

三步跑起来

第一步，准备环境。克隆仓库并安装代码用到的依赖（仓库未附带 requirements.txt，按实际 import 装）：

git clone https://gitcode.com/GitHub_Trending/st/SteamTradingSiteTracker cd SteamTradingSiteTracker pip install pymongo redis aiohttp numpy requests beautifulsoup4 loguru retrying

本地需要部署 MongoDB 和 Redis，并把 database.py 里的MONGODB_PORT、REDIS_PORT两个占位符改成实际端口。

第二步，配置平台 Cookie。登录各平台网页后，把 Cookie 写入scripts/secrets/下三个文件：

buff_cookie.txt：须包含session字段
c5_cookie.txt：须包含C5Login字段
uuyp_cookie.txt：须包含Bearer字段

启动脚本会立即读取并校验，缺字段会直接报错。

第三步，启动采集服务。四个脚本各开一个终端，按此顺序启动：

python scripts/start_meta_crawler.py python scripts/start_task_mapper.py python scripts/start_data_fetcher.py python scripts/start_result_collector.py

先建饰品池，再持续派任务；data fetcher 启动时会清空 Redis 任务池，等 mapper 装好新任务再开抓。注意 utils.py 中的load_proxies只是占位实现，需要自己填代理池，否则大规模抓取会很快被平台封 IP。