知乎抓取.SKILL
by @handsomestwei
知乎收藏夹与文章内容抓取：API/Playwright 多级降级、Cookie 持久化与保活、批量正文与图片、断点续传、可选写入 Obsidian。| Zhihu collection scraping, batch article fetch, Obsidian export.
clawhub install zhihu-fetch-skill📖 About This Skill
name: zhihu-fetcher description: "知乎收藏夹与文章内容抓取：API/Playwright 多级降级、Cookie 持久化与保活、批量正文与图片、断点续传、可选写入 Obsidian。| Zhihu collection scraping, batch article fetch, Obsidian export." version: "1.1.0" user-invocable: true argument-hint: "[可选：收藏夹 URL 或 ID、单篇链接、输出目录、Vault 路径]" allowed-tools: Read, Write, Edit, Grep, Glob, Bash, WebFetch
知乎数据抓取
从知乎获取收藏夹文章列表与正文 Markdown（含图片本地化），支持写入 Obsidian 知识库。命令与路径约定见下文；可视化说明见仓库根目录 README.md。
环境与约定
${CLAUDE_SKILL_DIR} 表示本 skill 仓库根目录（部分宿主 UI 中写作 {baseDir}，含义相同）。脚本均在 scripts/ 下。OPENCLAW_WORKSPACE 环境变量指定的目录；未设置时为 ~/.openclaw/workspace/。scripts/ 下执行 pip install -r requirements.txt，并 playwright install chromium。登录与可选页面验证
zhihu_login.py：打开浏览器等待登录，默认以检测到 z_c0 为成功条件即可结束（不要求额外跳转）。ZHIHU_VERIFY_URL：值为完整 http:// 或 https:// URL；
- 或命令行第一个参数传入同一完整 URL：python "${CLAUDE_SKILL_DIR}/scripts/zhihu_login.py" "https://www.zhihu.com/..."。
- 脚本会访问该 URL，若正文仍出现知乎通用提示「请登录后查看」，则提示可能未登录完成；否则认为当前会话可访问该页。不限定于收藏夹，任意知乎链接均可（只要登录态相关）。
zhihu_relogin.py：Cookie 失效、需重新登录并写回 zhihu_cookies.json 时使用（会打开浏览器）。触发条件
在用户使用以下任一方式时启用本技能：
工具与脚本路由
按任务选用能力；具体工具名以当前 Agent 环境为准。
常见任务与建议方式
| 任务 | 建议方式 |
|------|----------|
| 获取收藏夹 JSON 列表 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/fetch_zhihu_collection.py" <收藏夹URL或ID>；优先 API，失败降级 Playwright DOM |
| 批量抓取正文与图片 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/fetch_zhihu_batch.py" <列表.json> [输出目录] [图片目录]；默认输出目录见「路径约定」 |
| 写入 Obsidian Vault | Bash → python "${CLAUDE_SKILL_DIR}/scripts/write_to_obsidian.py" <文章目录> [Vault路径]；Vault：命令行优先，否则环境变量 OBSIDIAN_VAULT；会先找 <文章目录>/images，否则兼容同级 zhihu_images |
| Cookie 失效需人工登录 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/zhihu_relogin.py"（会打开浏览器窗口） |
| 首次登录辅助（可选验证页） | Bash → zhihu_login.py；可选 ZHIHU_VERIFY_URL 或首个参数传入完整 http(s) 链接，见「登录与可选页面验证」 |
| 单篇快速验证 | Bash → fetch_zhihu_api.py / fetch_zhihu_stealth.py / fetch_zhihu_interactive.py / 汇总 fetch_zhihu.py（自动多策略），按场景选用 |
| 读本地已抓取 Markdown、排查 _progress.json | Read / Grep |
脚本一览
| 脚本 | 用途 | 典型场景 |
|------|------|----------|
| fetch_zhihu_collection.py | 收藏夹列表，智能版 | 输出 zhihu_collection_{id}.json |
| fetch_zhihu_batch.py | 批量抓取，推荐 | 大量文章、图片、images/、_progress.json |
| fetch_zhihu.py | 自动降级抓取 | 单篇、多策略串联 |
| fetch_zhihu_api.py | API 直连 | 快速测试 |
| fetch_zhihu_stealth.py | Playwright 隐身 | 绕过常见自动化检测 |
| fetch_zhihu_interactive.py | 交互式浏览器 | 登录页、验证码 |
| write_to_obsidian.py | 写入 Obsidian | 自动检测 Vault、智能分类、知乎收藏/ |
| zhihu_relogin.py | 重新登录 | Cookie 不可用 |
| zhihu_login.py | 登录辅助 | 检测 z_c0；可选访问 ZHIHU_VERIFY_URL / 命令行 URL 做页面级验证 |
| zhihu_login_save.py | 登录并保存 | 按需配合 Cookie 流程 |
主流程（推荐执行顺序）
1. 安装依赖：scripts/requirements.txt + Chromium。
2. fetch_zhihu_collection.py → 得到收藏夹 JSON 列表。
3. fetch_zhihu_batch.py → 生成 zhihu_articles_{collectionId}/（含 _progress.json、images/、编号 *.md）。
4. （可选）write_to_obsidian.py → 同步到 {Vault}/知乎收藏/{分类}/。
中断批量任务时：重新运行同一条 fetch_zhihu_batch.py 命令即可续跑（已完成 URL 记录在 _progress.json）。
路径与输出约定
批量抓取命令格式
python fetch_zhihu_batch.py <列表文件> [输出目录] [图片目录]
| 参数 | 说明 |
|------|------|
| 列表文件 | fetch_zhihu_collection.py 产出的 JSON |
| 输出目录 | 可选；省略时默认为 {workspace}/zhihu_articles_{collectionId}/（collectionId 由列表文件名推导） |
| 图片目录 | 可选；省略时默认为 {输出目录}/images/ |
目录结构示例
zhihu_articles_{collectionId}/
├── _progress.json # 断点续传
├── images/ # 默认图片目录
│ └── ...
├── 0001_文章标题.md
└── ...
单篇文章格式要点
title、author、source、url、voteup、images 等images/ 下文件名（或脚本生成的相对路径）示例结构：
---
title: "文章标题"
author: "作者"
source: zhihu
url: "https://..."
voteup: 123
images: 5
文章标题
> 作者: xxx | 原文: 知乎链接
正文...
持久化文件（默认 workspace）
| 用途 | 路径 |
|------|------|
| Cookie | {workspace}/zhihu_cookies.json |
| Playwright 用户数据 | {workspace}/chrome_user_data/ |
| 默认文章目录 | {workspace}/zhihu_articles_{collectionId}/ |
| 默认图片目录 | {文章输出目录}/images/ |
Obsidian 写入要点
OBSIDIAN_VAULT（单个路径）；③ 仍无时脚本按常见目录扫描，多个命中时再交互选择。知乎收藏/ 子目录；否则按内容关键词；无法归类则 「未分类」。{Vault}/知乎收藏/{分类}/{文章标题}.md；图片同步规则见 write_to_obsidian.py（目标侧常有集中 images 目录）。已知问题与对策
| # | 现象 / 原因 | 处理 |
|---|-------------|------|
| 1 | Cookie 失效：标题「安全验证」、/account/unhuman | 自动恢复：脚本内置 3 次重试（激进保活：访问文章页+模拟阅读）；仍失败则 zhihu_relogin.py |
| 2 | 收藏夹 API 分页：带 include 时列表可能被截断 | fetch_zhihu_collection.py 已内置 API ↔ DOM 切换；必要时减少 include 或走浏览器分页 |
| 3 | 反爬：Headless 被识别 | Stealth、UA、间隔；必要时 fetch_zhihu_interactive.py |
| 4 | API 正文不完整：include 只给摘要 | 批量与单篇流程中已优先 页面 DOM 拉全文 |
| 5 | 图片下载失败 | 正文仍保留原 URL；排查网络、Referer、过期链接 |
| 6 | Windows 控制台 GBK | 脚本已 sys.stdout.reconfigure(encoding='utf-8') |
| 7 | 批量中断 | 直接再次运行 fetch_zhihu_batch.py，依赖 _progress.json |
| 8 | 失败项累积 | 散发失败自动记录到 _progress.json（含 url/reason/title/timestamp）；连续失败 ≥5 次中断并丢弃缓存；用 --retry-failed 参数可重试 |
Cookie 保活机制
脚本内置多层 Cookie 保活策略：
1. 主动 TTL 检测（每篇文章）：解析 z_c0 的 expires 字段，剩余 < 30 分钟时自动触发激进刷新
2. 常规保活（每 5-8 篇）：访问知乎列表页 + 模拟滚动
3. 激进保活（每 ~20 篇）：访问实际文章页 + 模拟阅读（停留 2-5 秒 + 滚动）
4. 被动检测：每次访问文章时检查是否被重定向到 /account/unhuman 或 /signin
5. 自动恢复：检测到失效时，自动尝试 3 次激进保活恢复
6. Cookie 备份：每次保活后自动从浏览器提取最新 Cookie 保存到文件（扩展格式含 expires）
7. 安全退出：脚本结束前保存最新 Cookie + 当前进度
失败处理策略
脚本采用两级失败处理，区分「文章本身问题」和「环境问题」：
| 场景 | 行为 | 说明 |
|------|------|------|
| 散发失败（中间有成功） | 记录到 _progress.json 的 failed 字段 | 视为文章本身问题（已删除/不可访问），后续跳过 |
| 连续失败 ≥ 5 次 | 中断抓取，丢弃缓存的失败记录 | 视为环境问题（Cookie/网络），下次重试仍可跑 |
工作原理：
相关常量：
CONSECUTIVE_FAIL_THRESHOLD = 5：连续失败阈值CONSECUTIVE_FAIL_INTERRUPT = True：是否在连续失败时中断重试模式：
python fetch_zhihu_batch.py <列表文件> [输出目录] [图片目录] --retry-failed
failed 列表，只重试之前记录为失败的文章。故障排查流程
正文全空？
→ Cookie（含 z_c0）→ 是否跳转验证页 → zhihu_relogin.py图片失败？
→ URL/网络/Referer → Markdown 中仍可保留链接
批量中途停止？
→ 确认 _progress.json → 原命令重跑
Agent 自用工作流检查清单
□ 已确认 scripts 依赖与 playwright chromium 可用；必要时提示用户设置 OPENCLAW_WORKSPACE
□ 收藏夹任务：已运行 fetch_zhihu_collection.py 并得到合法 JSON，再执行 fetch_zhihu_batch.py
□ 批量输出路径：知悉默认 {workspace}/zhihu_articles_* 与 images/ 子目录；第三个参数仅在自定义图片目录时需要
□ Obsidian：write_to_obsidian.py 的文章目录含 *.md 与 images/；Vault 优先命令行路径或 OBSIDIAN_VAULT
□ 遇验证页或全文为空：优先 Cookie/重登录，而非重复盲目加大并发
□ 用户仅需单篇或调试：选用 fetch_zhihu_api / stealth / interactive / fetch_zhihu，避免不必要批量