微信公众号文章抓取工具

概述

使用 Playwright 抓取微信公众号文章,后台运行无弹窗,自动处理动态加载,提取干净的文章内容,并支持自动保存为 Markdown 文件。

功能特性

• ✅ 无头模式运行: 默认后台抓取,不弹出浏览器窗口
• ✅ 智能回退机制: 无头模式失败时自动切换到有头模式
• ✅ 动态内容支持: 自动等待页面加载完成,处理懒加载图片
• ✅ 自动保存为 Markdown: 支持将抓取结果保存为格式化的 Markdown 文件
• ✅ 内容清洗: 移除HTML标签,保留段落结构,输出纯文本
• ✅ 自动重试: 失败时自动重试3次,提高成功率
• ✅ 错误检测: 识别”参数错误”等异常页面
• ✅ 跨平台支持: 完全支持 Windows、macOS 和 Linux
• ✅ 智能工作流: 检测法律内容时自动调用格式化技能
• ✅ 图片下载: 自动下载文章中的所有图片到本地
• ✅ 智能图片筛选: 自动过滤小的装饰性图片（如社交媒体按钮、表情符号）
• ✅ 图片位置保持: 保留图片在原文档中的位置
• ✅ 自动文件命名: 根据文章标题生成文件名和资源文件夹

与其他技能的协作

智能工作流

本技能专注于文章抓取，保持通用性。仅在检测到法律相关内容时，AI 会自动调用 legal-text-format 技能进行格式化。

AI 执行流程：

用户请求 → wechat-article-fetch 抓取 → [判断内容类型]
                                              ↓
                    ┌────────────────────────┴────────────────────────┐
                    ↓                                                 ↓
              检测到法律内容                                    普通文章
                    ↓                                                 ↓
          自动调用 legal-text-format                      保存原始内容到项目根目录
                    ↓
          输出到 archive/ 目录

法律内容检测

AI 会根据以下特征判断是否为法律内容：

• 标题关键词：包含”案例””裁判””判决””法规””条例””最高法””最高检”等
• 内容特征：包含案号、法院名称、法律条文引用等
• 结构特征：符合法律案例的典型结构（基本案情、裁判结果、典型意义等）

默认保存位置

• 未指定路径：保存到项目根目录
• 指定相对路径：相对于项目根目录
• 指定绝对路径：使用指定的完整路径

示例：

# 保存到项目根目录
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx"

# 保存到指定目录
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/"

# 保存到指定文件
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/case.md"

使用方法

在 Claude Code 中调用

// 抓取文章（仅返回结果）
const result = await fetchWechatArticle("https://mp.weixin.qq.com/s/xxxxx");

// 抓取文章并自动保存为 Markdown 文件
const result = await fetchWechatArticle(
  "https://mp.weixin.qq.com/s/xxxxx",
  3,           // 重试次数（可选）
  "./output.md" // 保存路径（可选）
);

// 返回格式
{
  title: "文章标题",
  content: "文章正文...",
  url: "文章URL"
}

命令行调用

# 基本用法（仅输出到控制台）
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx"

# 保存为指定文件
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/my-article.md"

# 保存到目录（自动使用文章标题作为文件名）
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/"

输出格式

控制台输出

标题: 文章标题

文章正文第一段...

文章正文第二段...

Markdown 文件格式

# 文章标题

> 原文链接: https://mp.weixin.qq.com/s/xxxxx
> 抓取时间: 2026-01-21 20:30:00

---

文章正文第一段...

![图片描述](文章标题_assets/image_xxx_0.jpg)

文章正文第二段...

文件结构

当文章包含图片时，会自动生成以下文件结构：

输出目录/
├── 文章标题.md              # Markdown 文件
└── 文章标题_assets/         # 图片资源文件夹
    ├── image_xxx_0.jpg
    ├── image_xxx_1.jpg
    └── ...

图片筛选

默认启用智能图片筛选，自动过滤小于 15KB 的装饰性图片（如社交媒体按钮、表情符号等）。

可以在 scripts/fetch.js 中修改筛选配置：

const IMAGE_FILTER_CONFIG = {
  minFileSize: 15 * 1024,  // 最小文件大小（字节）
  enabled: true            // 是否启用筛选
};

技术实现

依赖要求

• Playwright (npx playwright install chromium)
• Node.js >= 14.0.0

抓取流程

1. 检测并安装 Playwright（如需要）
2. 启动 Playwright headless 浏览器
3. 设置反检测参数(User-Agent, webdriver隐藏等)
4. 导航到目标URL,等待网络空闲
5. 滚动页面触发懒加载
6. 提取 #js_content或 .rich_media_content区域
7. 清理HTML标签,保留段落结构
8. 返回标题和纯文本内容
9. 如果指定了保存路径,自动保存为 Markdown 文件
10. 如果无头模式失败,自动回退到有头模式重试

错误处理

• 自动重试3次,每次失败后等待3秒
• 无头模式失败后自动回退到有头模式
• 检测错误页面(参数错误、访问异常)
• 超时设置30秒
• Windows 平台特殊处理（路径、命令格式）

跨平台兼容性

• Windows: 自动检测并使用 cmd.exe 运行 npx 命令
• macOS/Linux: 直接使用 npx 命令
• 路径处理: 自动规范化路径分隔符
• 文件名处理: 自动移除 Windows 非法字符

适用场景

• 内容转换工具的输入源
• 文章分析和处理
• 自动化内容抓取
• 批量文章下载
• 文章归档和本地保存
• Markdown 格式转换
• 法律文档自动格式化（检测到法律内容时）
• 图文文章完整保存（包含图片的离线归档）
• 图片资源管理（自动下载并组织文章中的图片）

使用示例

示例 1: 批量抓取并保存

const urls = [
  "https://mp.weixin.qq.com/s/xxxx1",
  "https://mp.weixin.qq.com/s/xxxx2",
  "https://mp.weixin.qq.com/s/xxxx3"
];

for (const url of urls) {
  const result = await fetchWechatArticle(url, 3, "./articles/");
  console.log(`已保存: ${result.title}`);
}

示例 2: 在 Claude Code 中直接使用

请帮我抓取这个微信公众号文章并保存为 Markdown 文件:
https://mp.weixin.qq.com/s/xxxxx

注意事项

⚠️ 仅用于个人学习和研究,请遵守网站服务条款 ⚠️ 频繁抓取可能被限流,建议控制请求频率 ⚠️ 抓取的内容版权归原作者所有 ⚠️ 有头模式会弹出浏览器窗口,可能干扰工作流程 ⚠️ Windows 用户首次使用需要安装 Playwright（会自动安装）