CNBLOGS 精华内容抓取

CNBLOGS 精华内容抓取技能

功能描述

抓取博客园（cnblogs.com）精华区内容，支持分页、批量下载标题和正文。

使用方法

基本用法

# 抓取第 1 页，保存所有文章到指定目录
openclaw cnblogs-pick --page 1 --output-dir /path/to/output
抓取前 3 页，保存所有文章
openclaw cnblogs-pick --pages 3 --output-dir /path/to/output
抓取指定 URL 的精华列表
openclaw cnblogs-pick --url https://www.cnblogs.com/pick/ --pages 2

参数说明

| 参数 | 类型 | 必填 | 默认值 | 说明 | |------|------|------|--------|------| | --url | string | 否 | https://www.cnblogs.com/pick/ | 精华列表页 URL | | --page | int | 否 | 1 | 单页抓取页数（仅当 --pages 未指定时有效） | | --pages | int | 否 | 1 | 总页数（优先于 --page） | | --output-dir | string | 否 | ~/.openclaw/workspace/user_cnglobs/ | 输出目录 | | --agent | string | 否 | Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:149.0) Gecko/20100101 Firefox/149.0 | User-Agent |

输出格式

每篇文章保存为独立文件，命名格式：

{标题}.txt

标题中的特殊字符会被替换为下划线。

工作流程

1. 获取列表页：使用 curl 下载指定页数的精华列表 2. 提取链接：解析 HTML，提取所有 post-item-title 类链接 3. 下载详情：逐个打开详情页面 4. 提取正文：获取 cnblogs_post_body 内容并去除 HTML 标签 5. 保存文件：按标题命名保存到输出目录

示例

# 抓取前 5 页精华内容
openclaw cnblogs-pick --pages 5 --output-dir /tmp/cnb-pick
查看结果
ls -lh /tmp/cnb-pick/

依赖工具

注意事项

1. 部分文章可能因反爬机制失败 2. 大页面可能超出 token 限制 3. 建议先测试单页再批量处理

更新日志