wechat-article-capture

name	wechat-article-capture
description	微信公众号文章抓取与入库。将微信文章URL转换为Markdown文件，自动下载配图到本地、添加frontmatter，存入指定目录。代码块格式由AI事后整理。触发词：抓取微信文章、微信公众号、wechat、微信文章转markdown、公众号文章入库、保存微信文章、微信收藏

wechat-article-capture — 微信公众号文章抓取入库

功能说明

接收微信公众号文章 URL → 抓取全文内容 → 下载图片到本地 → 转换为 Markdown → 存入指定目录。

默认保存到当前工作目录下的 wechat-captures/。如需固定个人收件箱路径，可复制 config.example.json 为 config.json 后修改 output_dir。

代码块格式由 AI 事后整理（微信每行代码是独立HTML标签，脚本自动合并不可靠）

输入

• URL：微信公众号文章完整地址（https://mp.weixin.qq.com/s/xxx）
• 目标目录（可选）：默认 wechat-captures/
• 文件名（可选）：默认用文章标题自动命名

输出

.md 文件 + 配图/ 子目录，文件结构示例：

wechat-captures/
├── 量化小助手：LSTM在日内交易中的实战应用.md
└── 配图/
    ├── img_000_4d8216f7f628.gif
    ├── img_001_8f18712cbd47.jpg
    └── ...

.md 包含标准化 frontmatter：

---
title: "文章标题"
source: "微信"
author:
  - "公众号名称"
created: YYYY-MM-DD
tags: ["公众号"]
category: "待分类"
status: "inbox"
description: "文章摘要"
---

正文内容（Markdown格式，图片引用本地配图/路径）

配置

配置优先级：CLI 参数 > 环境变量 > config.json > 内置默认值。

本地配置文件默认位置为 skill 目录下的 config.json，可从 config.example.json 复制生成。config.json 属于个人配置，不入库。

支持配置项：

• output_dir：Markdown 输出目录
• image_dir_name：图片子目录名，默认 配图
• source：frontmatter 的来源字段，默认 微信
• default_tags：默认标签，默认 ["公众号"]
• category：frontmatter 分类，默认 待分类
• status：frontmatter 状态，默认 inbox
• timeout：请求超时时间，单位秒
• filename_max_length：自动文件名最大长度
• headers：请求头，会与默认 headers 合并

常用环境变量：

• WECHAT_CAPTURE_CONFIG：指定配置文件路径
• WECHAT_CAPTURE_OUTPUT_DIR：指定输出目录
• WECHAT_CAPTURE_IMAGE_DIR_NAME：指定图片子目录名
• WECHAT_CAPTURE_TIMEOUT：指定请求超时时间
• WECHAT_CAPTURE_DEFAULT_TAGS：指定默认标签，支持逗号分隔或 JSON 数组

使用方式

方式一：直接对话中使用

发送公众号文章 URL，我会自动完成抓取、入库、整理代码块。

方式二：命令行调用

# 基本用法（默认保存到当前目录 wechat-captures/）
python skills/wechat-article-capture/scripts/capture.py "<文章URL>"

# 指定保存目录
python skills/wechat-article-capture/scripts/capture.py "<文章URL>" --output-dir "./inbox/wechat"

# 指定文件名
python skills/wechat-article-capture/scripts/capture.py "<文章URL>" --filename "自定义文件名"

# 指定配置文件
python skills/wechat-article-capture/scripts/capture.py "<文章URL>" --config "./wechat-config.json"

# 兼容旧位置参数用法
python skills/wechat-article-capture/scripts/capture.py "<文章URL>" "./inbox/wechat" "自定义文件名"

执行流程

阶段1：脚本抓取

1. 验证 URL 是否为微信文章地址
2. 请求文章页面（模拟浏览器 headers）
3. 提取：标题、公众号名、发布日期、摘要、hashtag标签
4. 定位正文区域，提取 <img data-src> 图片URL
5. 用 __IMG_N__ 标记记录图片位置，HTML → Markdown 转换
6. 下载图片到配置的图片子目录，替换标记为本地引用 ![](配图/xxx.jpg)
7. 清理页脚（微信号、网址、点赞提示）
8. 生成 frontmatter，写入目标文件
9. 输出文件路径：[OK] 已保存: <filepath>

阶段2：AI 整理代码块

脚本执行完成后，AI 自动执行：

1. 读取刚保存的 .md 文件
2. 检查代码块状态：微信文章的代码块会被 html2text 拆分为多个单行 ... 块
3. 重新请求文章 URL，从 HTML 的 code-snippet__fix 结构中提取完整多行代码
4. 用完整代码替换 markdown 中的分散单行代码块
5. 写回文件
6. 输出完成摘要

技术说明

• 使用 requests + BeautifulSoup + html2text 抓取
• 如运行环境缺少依赖，先执行 python -m pip install requests beautifulsoup4 html2text
• 仅限公开已发布文章，无需登录
• 图片本地化：从 <img data-src> 提取 mmbiz.qpic.cn 真实 URL，下载到配置的图片子目录，markdown 中引用本地路径
• 图片扩展名从 wx_fmt 查询参数推断，并根据 Content-Type 修正
• 代码块由 AI 整理：微信每行代码是独立HTML标签，html2text 转换后代码行被正文分隔。AI 通过重新请求文章HTML，从 code-snippet__fix 结构中提取完整代码，替换到 markdown 中
• 文件名自动清理非法字符，默认长度限制 200 字，可通过配置调整