zhihu-fetcher

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	2.0.0
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

• 语言：默认与用户语种一致。
• 技能根目录：本仓库根目录（含 SKILL.md 与 scripts/）。下文命令均从该目录执行，写作 python scripts/...。
• 工作区目录：Cookie、浏览器用户数据、默认文章输出等放在工作区（已 gitignore，勿提交）。
  • 环境变量 ZHIHU_WORKSPACE 优先；
  • 未设置时默认为技能根目录下的 zhihu-fetch-workspace/。
• 依赖：在 scripts/ 下执行 pip install -r requirements.txt，并 playwright install chromium。

抓取上限（配置优先，对话可固化）

不带条数时不会全量爬。读取顺序：当次命令行 → 工作区配置 → 技能根配置 → 代码默认值。

文件 / 命令	作用
zhihu_fetch_config.json	技能级默认上限；用户说「以后默认…」时改这个并保存
{workspace}/zhihu_fetch_config.json	本机覆盖（在 gitignore 的工作区内）
python scripts/fetch_limits.py	查看当前生效值
python scripts/fetch_limits.py --set collection.max_items=10	写入技能根配置（默认 --where skill）
--where workspace	只改本机覆盖
--all 或配置 "unlimited": true	取消上限

用户说「这次多抓一点」→ 命令行 --max-items / --all。用户说「以后默认每夹 10 篇」→ 改配置并固化，不要只改当次命令。

默认：收藏夹最多 10 个、每夹 20 篇；专栏最多 5 个、每栏 20 篇；历史/批量各 20 篇。

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）。
• 可选二次校验：若用户希望登录后再确认「某一内需登录页」是否可访问（如某收藏夹页、专栏后台、关注动态等），属可选项，不设则不执行：
  • 环境变量 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 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：

• 明确提及：知乎、Zhihu、专栏、收藏夹、文章抓取、批量下载、Cookie、验证码、Obsidian、知识库同步等
• 粘贴 zhihu.com / zhuanlan.zhihu.com 链接并希望获取正文或列表
• 需要 断点续传、图片落盘、反爬 / Stealth 相关协助

---

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 scripts/fetch_zhihu_collection.py <收藏夹URL或ID>；优先 API，失败降级 Playwright DOM
获取用户专栏列表与文章	Bash → python scripts/fetch_zhihu_columns.py <people URL 或 /columns>；--column 名称 只爬指定专栏；层级 JSON + 每栏 zhihu_column_{id}.json 可交给 batch
获取个人主页点赞/收藏历史	Bash → python scripts/fetch_zhihu_history.py <people URL 或 slug> <起始时间ISO> <输出.json> [--until <结束时间ISO>]；按活动时间保留 interaction_* 元数据，支持断点续跑
批量抓取正文与图片	Bash → python 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 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
写入个人历史到 Obsidian	Bash → python scripts/write_zhihu_history_to_obsidian.py <文章目录> <Vault路径> [.]；默认写入 {Vault}/知乎收藏/{分类}/，按 URL 去重更新
写入失败项清单	Bash → python scripts/write_zhihu_failures.py <Vault路径> <标签>:<progress.json> ...；生成 {Vault}/知乎收藏/抓取失败.md
Cookie 失效需人工登录	Bash → python 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 （自动多策略），按场景选用

---

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_columns.py	用户专栏	/people/{slug}/columns：多专栏层级、--column 按名称筛选、默认上限
fetch_zhihu_history.py	个人历史列表	点赞/收藏动态，支持 --until、--fresh、断点续跑
fetch_zhihu_batch.py	批量抓取，推荐	大量文章、图片、images/、_progress.json，失败自动重试，DOM 不足时 API 回退
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/
write_zhihu_history_to_obsidian.py	写入个人历史到 Obsidian	智能分类、互动元数据、按 URL 去重
write_zhihu_failures.py	写入失败项清单	生成 抓取失败.md 方便人工重试
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
fetch_limits.py	抓取上限配置	读取/写入 zhihu_fetch_config.json
workspace_paths.py	工作区路径解析	或技能根下

---

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）。

个人历史流程（点赞 / 收藏）

适用于个人主页动态中的 赞同了回答 / 赞同了文章 / 收藏了回答 / 收藏了文章。时间采用 ISO 格式，建议显式带时区（如 +08:00）；若省略时区，默认按 Asia/Shanghai 解释，可用环境变量 ZHIHU_TIMEZONE 或 TZ 覆盖。

# 1. 收集活动列表（起始时间含，结束时间不含）
python scripts/fetch_zhihu_history.py \
  https://www.zhihu.com/people/<slug> \
  2026-01-01T00:00:00+08:00 \
  /path/to/runtime/zhihu_history_2026-01-01_to_2026-04-05.json \
  --until 2026-04-05T00:00:00+08:00

# 2. 抓取正文与图片；失败默认自动重试 3 次
python scripts/fetch_zhihu_batch.py \
  /path/to/runtime/zhihu_history_2026-01-01_to_2026-04-05.json \
  /path/to/runtime/zhihu_articles_history_2026-01-01_to_2026-04-05

# 3. 写入 Obsidian 的知乎收藏根目录分类文件夹
python scripts/write_zhihu_history_to_obsidian.py \
  /path/to/runtime/zhihu_articles_history_2026-01-01_to_2026-04-05 \
  /path/to/ObsidianVault \
  .

历史笔记会保留：

interaction_action: "赞同了回答"
interaction_time: 2026-03-20T10:17:57.235000+00:00
interaction_date: 2026-03-20
tags: [zhihu, 编程与开发, 赞同了回答]

历史列表中断时重新运行同一条命令即可续跑；加 --fresh 可忽略现有 checkpoint 重建。写入 Obsidian 时会扫描已有笔记的 url 并按 URL 更新，避免重复导入。

用户专栏流程（他的专栏）

适用于 https://www.zhihu.com/people/<slug>/columns：先列出专栏，再按栏抓文章。多专栏是列表，栏下文章是层级；可用 --column 专栏名 只爬其中一个。不写条数时走配置 column.max_columns / column.items_per_column。

# 列出并抓取（受配置默认上限）
python scripts/fetch_zhihu_columns.py https://www.zhihu.com/people/<slug>/columns

# 只爬指定专栏名，每栏 2 篇
python scripts/fetch_zhihu_columns.py https://www.zhihu.com/people/<slug>/columns --column 远东轶事 --per-column 2

# 仅列专栏、不抓文章
python scripts/fetch_zhihu_columns.py https://www.zhihu.com/people/<slug>/columns --list-only

# 正文与图片
python scripts/fetch_zhihu_batch.py zhihu-fetch-workspace/zhihu_column_<id>.json

输出：zhihu_columns_{slug}.json（层级）+ zhihu_column_{id}.json（单栏，可交给 batch）。

---

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

• YAML frontmatter：title、author、source、url、voteup、images 等
• 正文为 Markdown；图片引用指向本地 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](https://...)

正文...

持久化文件（默认 workspace）

未设置 ZHIHU_WORKSPACE 时，{workspace} 为技能根目录下的 zhihu-fetch-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

• Vault：① 命令行第二个参数（优先让用户直接写出 Vault 根路径）；② 未传时使用环境变量 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。
• 分类：优先对齐已有 知乎收藏/ 子目录；否则按内容关键词；无法归类则 「未分类」。
• 落盘：{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：

• 失败先缓存在内存中，不立即写入进度文件
• 下一条成功时，将缓存的失败记录批量写入进度文件（确认是文章问题）
• 连续失败达到阈值（5 次）时，中断抓取，丢弃缓存（保留重试机会）

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

此模式会清空 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 ZHIHU_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