| name | amazon-extractor |
| description | Amazon 商品子 HTML 块的结构化提取器（清洗器）。读取分块后的子 HTML，清洗 DOM 噪声，输出结构化 Markdown。包含 4 个子技能（ppd / customer-reviews / aplus / product-details），每个负责一种块类型。当 agent 需要从子 HTML 中提取结构化数据时调度此技能。 |
| type | orchestration |
提取器（Extractor）
子技能
| 子技能 | 技能名 | 复杂度 | 说明 |
|---|
| PPD | ppd-extractor | 复杂（6 子阶段） | Core/Buybox/Twister/Overview/Bullets/Images |
| Customer Reviews | customer-reviews-extractor | 简单 | 强制复制模版，清洗后直接提取 |
| A+ | aplus-extractor | 复杂（3 子阶段） | Comparison/Assets/Brand Story |
| Product Details | product-details-extractor | 简单 | 清洗后提取表格数据 |
通用清洗规则（所有块共用）
提取前必须清洗的 DOM 噪声：
<br>, <br/> → 换行或空格<script>, <style> 标签 → 移除 / \xa0 → 普通空格- 连续空白 → 单空格
- 前后空白 → strip
- CSS 样式：
style="" → 移除
- Script 脚本：
<script></script> → 移除
def _normalize_text(value: str) -> str:
value = value.replace("\xa0", " ")
value = re.sub(r"\s+", " ", value)
return value.strip()
def _extract_text(node: Tag | None) -> str:
if node is None:
return ""
for br in node.find_all("br"):
br.replace_with("\n")
return _normalize_text(node.get_text(" ", strip=True))
Markdown 表格渲染硬性规则
所有输出中的 Markdown 表格必须包含三部分，否则判定为格式错误：
- 表头行（Header row）
- 分隔行（Separator row）：
| --- | --- |
- 数据行（Data rows）
正确格式（唯一允许的格式）：
| Field | Value |
| --- | --- |
| Department | womens |
| ASIN | B0C7BMLGP2 |
错误格式（严禁出现）：
| Department | womens |
| ASIN | B0C7BMLGP2 |
表格渲染代码必须使用以下模式：
lines.append("| Field | Value |")
lines.append("| --- | --- |")
for row in rows:
key = row.key.replace("|", "\\|")
value = row.value.replace("|", "\\|")
lines.append(f"| {key} | {value} |")
```nes.append(f"| {opt.name} | {opt.current} | {opt.list} | {opt.discount} | {opt.prime} | {opt.status} |")
通用约束
- 不依赖用户给 selector：自行从 HTML 样本归纳，提供主备路径
- 产出是可复用的提取器代码，不是一次性抽取结果
- BeautifulSoup + lxml：所有 HTML 解析用
BeautifulSoup(html, "lxml")
- 不引入新依赖：只用
bs4, lxml, re, pathlib, 标准库
- 缺失字段写
N/A，不得臆造
- 文件编码统一 UTF-8
- 严禁使用
[class*='xxx'] 通配符 selector
Selector 优先级
#id — 最稳定[data-hook="xxx"] — Amazon 语义标记.class1.class2 — 组合 class#parent > .child — 限定父级- 避免
:nth-child 和绝对 DOM 路径
多 selector fallback 模式
for selector in ["#primary", "#fallback", ".class_based"]:
node = soup.select_one(selector)
if node:
break
else:
node = None
模板代码结构约定
每个提取器必须遵循以下结构：
- 数据结构：用
@dataclass(frozen=True) 定义提取结果
- 通用清洗：
_normalize_text() + _clean_text_from_tag()
- 字段提取：多 selector fallback 模式
- Markdown 渲染：
_render_markdown() 生成结构化输出
- 统一入口：
extract_<block>_markdown(html_path: Path, out_path: Path | None = None) -> Path
- manifest 集成：调用
update_manifest_block_for_output()
- CLI 入口：
argparse + main() + if __name__ == "__main__"
写新提取器时，先读 skills/customer-reviews/customer_reviews_extract.py，然后按同样结构实现。
