公众号作者文章抓取

这个 skill 负责什么#

把“给我一个公众号文章链接，然后批量抓取这个公众号最近 N 篇文章并落盘”这件事标准化。

这个 skill 自带抓取脚本包，默认使用当前 skill 目录里的这些文件：

• ./scripts/main.py
• ./scripts/requirements.txt
• ./scripts/config.json
• ./scripts/run_fetcher.sh
• ./scripts/run.command
• ./references/抓取器说明.md

./scripts/main.py 是抓取主程序。 ./scripts/run_fetcher.sh 是 agent 更适合调用的启动脚本，会在 scripts/ 目录下缺少 .venv 时自动创建并安装依赖。需要看工具细节、安装方式、JSON 返回和缓存目录时，再读 ./references/抓取器说明.md。

下面这些情况不要硬用本 skill：

• 用户只要单篇文章摘要，不需要批量抓取
• 用户要做最终排版、发布、审查
• 用户要抓评论数、阅读数、点赞数等额外指标
• 用户要求云端缓存公众号登录态

你依赖的本地工具能力#

当前抓取工具已经具备这些能力：

• 本地保存登录态，不走云端
• 登录失效时自动生成二维码
• 支持 CLI + JSON
• 支持 ensure-login
• 支持 login-status
• 支持 fetch
• 支持 clear-login
• 输出 Markdown、 HTML、 articles.json

这个 skill 默认调用当前目录内自带的抓取器副本，不要回头依赖桌面上的原项目路径，除非用户明确要求你同步或升级那份原始项目。

运行前检查#

先检查以下文件是否存在：

• ./scripts/main.py
• ./scripts/requirements.txt
• ./scripts/run_fetcher.sh

如果缺失：

1. 明确告诉用户 skill 自带抓取器不完整。
2. 不要伪造抓取结果。
3. 如果用户要你补安装，再在当前 skill 目录里补齐。

输入约定#

最小输入通常只需要：

• 任意一篇目标公众号文章链接

可选输入：

• 单次抓取篇数
• 输出父目录
• 是否需要清空已有登录态后重登
• 当前环境是 IM、纯终端、还是有桌面界面

如果用户没有显式给抓取篇数和输出目录：

• 优先沿用 ./scripts/config.json
• 不要擅自改 ./scripts/main.py
• 需要调数量或输出路径时，只改 ./scripts/config.json

配置规则#

工具当前通过 ./scripts/config.json 控制这些参数：

• output_parent
• output_folder_name
• article_limit
• concurrency
• display_mode

处理原则：

• 用户明确要求改输出目录或抓取篇数时，只改 ./scripts/config.json
• 用户没要求时，沿用现有配置
• Linux / agent / IM 场景优先用 display_mode = "silent"
• 纯终端扫码场景优先用 display_mode = "terminal"
• 本机桌面人工扫码场景可用 display_mode = "image"

推荐直接调用：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh <subcommand> ...

标准工作流#

1. 确认是否要清除登录态#

默认不要清。

只有用户明确说：

• “删掉登录状态重新来”
• “我要测试从零登录”
• “我要把机器交给别人，先清缓存”

才执行：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh clear-login --json

2. 选择二维码展示模式#

按场景选：

• IM / bot / agent 回消息： silent
• Linux 纯终端： terminal
• 本机有图形界面，用户直接扫码： image
• 不确定但有人机混合： auto

3. 确保登录可用#

优先运行：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh ensure-login --json --display silent

如果返回 authenticated，直接继续。

如果返回 waiting_scan：

• 读取 qr_png_path 和 qr_text_path
• IM / 聊天场景：优先把 qr_png_path 对应的图片发给用户
• 纯终端场景：打印或转述 qr_text_path
• 本机桌面场景：如果当前命令不是 --display image，可以改为 --display image 重新启动登录
• 然后轮询：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh login-status --json

直到出现：

• status = authenticated
• 或 status = timeout
• 或用户中止

4. 执行抓取#

登录成功后，执行：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh fetch "公众号文章链接" --json --display silent

抓取成功时会返回：

• account_name
• account_alias
• downloaded
• failed
• output_dir
• index_file
• results

5. 给出结果摘要#

至少汇报这些信息：

• 命中的公众号名称
• 本次抓取篇数
• 成功 / 失败数量
• 输出目录
• articles.json 路径
• 当前登录态是“复用已有缓存”还是“本轮扫码新登录”

关于“指定时间范围”#

当前工具最擅长的是：

• 通过一篇文章链接识别公众号
• 批量抓取该公众号最近 N 篇文章

如果用户说“抓取某一段时间内的文章”，按下面处理：

1. 先把 article_limit 调大，抓一批最近文章
2. 再根据 articles.json 里的时间字段或 Markdown 里的发布时间做二次筛选
3. 如果当前抓下来的文章仍然覆盖不到目标时间段，再告诉用户需要继续提高 article_limit 重跑

不要假装当前抓取器已经原生支持精准日期筛选。

输出物说明#

默认输出结构类似：

text

<output_parent>/输出文章/<公众号名_时间戳>/
  markdown/
  html/
  articles.json

每篇文章通常会有：

• 一份 Markdown
• 一份原始 HTML

索引文件 articles.json 适合：

• 批量分析
• 后续仿写模板生成
• 做时间筛选
• 统计抓取成功率

隐私与安全边界#

必须遵守：

• 登录态只允许保存在本机项目目录
• 不要把 .playwright-profile 上传到云端
• 不要把登录缓存打包发给别人
• 不要把 cookie、token、profile 内容直接展示给用户
• 除非用户明确要求，否则不要执行 clear-login

如果用户说要把机器或项目交给别人：

bash

cd "内容生产龙虾/公众号作者文章抓取"
./scripts/run_fetcher.sh clear-login --json

并明确告诉用户已清理这两个目录：

• .playwright-profile
• login_artifacts

失败处理#

登录相关#

• 如果 ensure-login 长时间卡住，检查 login-status --json
• 如果二维码为空白，说明二维码文件生成异常，不能假装可扫
• 如果 status = timeout，提示用户重新发起登录

工具相关#

• 如果 ./scripts/.venv/bin/python 不存在，优先通过 ./scripts/run_fetcher.sh 自动补环境
• 如果 ./scripts/main.py 不存在，说明当前 skill 自带抓取器不完整
• 如果 fetch 失败，要把错误原样转述给用户，并附上当前命令和关键路径

抓取结果相关#

• 如果 downloaded = 0，不能说“已完成”
• 如果 failed > 0，要明确说失败篇数和可能原因

推荐汇报格式#

当状态是 waiting_scan 时，用这种结构：

text

当前状态：等待扫码登录
二维码图片：<qr_png_path>
二维码文本：<qr_text_path>
下一步：请扫码，扫码后我继续轮询登录状态

当抓取完成时，用这种结构：

text

抓取完成
公众号：<account_name>
抓取结果：成功 <downloaded> 篇，失败 <failed> 篇
输出目录：<output_dir>
索引文件：<index_file>

与其他内容生产 skill 的衔接#

抓取完成后，常见下一跳是：

• 公众号作者仿写模板生成
  • 用抓下来的 Markdown 建作者风格模板
• 公众号标题与开头拆解
  • 重点拆标题、开头钩子和叙事切口
• 公众号文章写作
  • 把作者风格和情报素材拼起来正式写稿
• 公众号信息深挖与多源核验
  • 对抓到的主题继续做多源验证和补充事实

示例触发#

示例 1

输入：把 Rockhazix 这个公众号最近 50 篇文章全抓下来，我后面要做仿写。

处理：触发本 skill，先确保登录，再批量抓取并返回输出目录。

示例 2

输入：我给你一篇公众号链接，你去把这个作者最近的文章都下载成 Markdown。

处理：触发本 skill，用 fetch 命令执行一条龙抓取。

示例 3

输入：先删掉登录状态，我重新扫码，你抓完后告诉我文章都存到哪了。

处理：先 clear-login，再 ensure-login，登录成功后执行 fetch。