douyin-scraper

---

name: douyin-scraper description: 抖音图文笔记采集工具。搜索关键词 → 自动筛选「图文·一周内」→ Playwright 截图（绕过反爬虫）→ Baidu OCR 识别图片文字 → 输出 Markdown 报告（含热度评分）。当用户提到"抖音图文采集"、"抖音笔记抓取"、"抖音爬虫"、"抖音内容采集"等场景时加载此技能。

---

douyin-scraper

抖音图文笔记采集工具 —— 一条命令完成：搜索 → 筛选图文 → 截图 → OCR → Markdown 报告。

⚠️ 前置配置

1. 安装依赖

pip install playwright requests python-dotenv
python -m playwright install chromium

2. 配置 Baidu PaddleOCR Token

在技能目录创建 .env：

BAIDU_PADDLEOCR_TOKEN=你的token

获取 Token：访问 百度 AI Studio，免费注册，每天 1 万次免费调用。

3. 登录抖音（只需一次）

python /scripts/login.py

浏览器打开抖音，扫码登录后关闭。登录状态自动保存，后续无需重复操作。

---

使用

# 采集 10 篇图文笔记（含 OCR）
python /scripts/full_workflow.py --keyword "韩国医美"
指定数量
python /scripts/full_workflow.py --keyword "减肥餐" --count 5
跳过 OCR（仅截图）
python /scripts/full_workflow.py --keyword "咖啡" --no-ocr

| 参数 | 说明 | 默认值 | |------|------|--------| | --keyword | 搜索关键词 | 必填 | | --count | 采集笔记数量 | 5 | | --no-ocr | 跳过 OCR | 关闭 |

---

输出

报告保存至 output/notes_{keyword}_{timestamp}.md，图片保存至 data/images/。

每篇笔记包含：

🔥 热度分数（点赞数 / 发布天数）及计算公式

👍 点赞数、发布时间、作者、原文链接

📝 原文描述

🔍 OCR 识别的图片文字（支持多图）

🖼️ 本地截图路径

---

技术特点

Playwright 截图：通过 element.screenshot() 截取内容图，绕过抖音图片 URL 反爬虫

图文过滤：自动识别并跳过视频，只采集「图文」类型笔记

OCR 噪音过滤：自动去除截图中的抖音导航栏文字（精选/推荐/关注 等）

多图支持：一篇图文多张图片逐张截图 + OCR，合并识别结果

反检测：有头浏览器（headless=False）+ 拟人操作节奏，避免触发验证码

热度公式：likes / days_ago，越新越热排越前

---

目录结构

douyin-scraper/
├── scripts/
│   ├── full_workflow.py   # 主流水线
│   └── login.py           # 登录脚本
├── data/
│   └── images/            # 截图
├── output/                # Markdown 报告
├── profile/               # 浏览器登录状态
└── .env                   # Token 配置