宜博 / lemonboss

skill.md 14.9 KB

Weibo Scraper Skill

Identity

  • Name: weibo_scraper
  • Version: 1.9.0
  • Type: Scraping/Data Extraction
  • Platform: Weibo (weibo.com)

Description

微博热点内容爬取技能。能够从微博平台爬取热搜榜、热门微博、热点话题等内容，提取结构化数据并进行清洗分类。强化版：详情页爬取 + 图片提取 + 简报生成。

Capabilities

  1. 热搜榜爬取 - 获取微博热搜榜单 Top 50
  2. 热门微博抓取 - 获取热门微博内容及作者信息
  3. 详情页爬取 - 访问热点新闻详情页，提取完整正文内容
  4. 图片提取 - 提取并保存微博配图，支持多源提取
  5. 简报生成 - 将图文内容整理为 HTML/Markdown 简报，支持降级处理
  6. 分类筛选 - 按娱乐、社会、科技、搞笑、体育、财经等分类
  7. 指标提取 - 提取点赞数、评论数、转发数、阅读数
  8. 数据清洗 - 去广告、去无效内容、格式标准化
  9. 定时爬取 - 支持 Cron 定时任务和增量更新
  10. 反爬合规 - UA轮换、频率控制、响应验证

Methodology

Step 1: 初始化请求环境

  1. 创建 requests Session
  2. 设置基础请求头 (User-Agent, Accept, Accept-Language, Referer)
  3. 配置超时 (10秒)

Step 2: 反爬合规控制

  1. User-Agent 轮换: 准备 10+ 个常用 UA，每次请求随机选择
    • Chrome (Mac/Windows/Linux) 各版本
    • Safari (iOS/Mac)
    • Firefox (Windows/Linux)
    • 移动端 UA (Android/iOS)
  2. 请求频率限制: 每次请求间隔 5-10 秒随机延迟
  3. 单 IP 限流: 每分钟请求数 ≤ 10
  4. 指数退避: 遇到 429/403 时，等待 60s 后重试，再失败则等待 120s
  5. Cookie 维护: 定期更新 Cookie，保持登录态
  6. 请求头完整性: 设置 Accept-Encoding, Accept-Language, Connection 等

Step 3: 执行爬取 (多 API 源)

  1. 主 API: 请求 PC 端热搜 https://weibo.com/ajax/side/hotSearch
  2. 备用 API 1: 请求移动端热搜 https://m.weibo.cn/api/index/list?type=hot
  3. 备用 API 2: 请求话题搜索 https://m.weibo.cn/api/container/getIndex
  4. 优先使用返回 JSON 的 API，遇到 HTML 响应则切换
  5. 解析 JSON 响应
  6. 过滤低质量内容 (flag=1,2 为有效数据)
  7. 分类标注

Step 4: 数据验证与新鲜度

  1. 时间戳验证: 确保数据时间戳
  2. 新鲜度保障: 记录采集时间，过期数据标记
  3. JSON 验证: 检测返回是否为 HTML (验证码页面)
  4. 响应验证: 验证 JSON 解析是否成功，检查 ok 字段是否为 1
  5. 降级策略: 主 API 失败时自动切换备用 API

Step 5: 数据增强

  1. 字段补全: engagement.comments/shares 尝试从多源获取
  2. 作者信息补全: 尝试从话题页获取作者信息
  3. 多源验证: 对比多个数据源，确保数据准确性
  4. 数据清洗: 去广告、去无效内容、格式标准化
  5. 时间戳标准化: 将 API 返回的时间戳转为 ISO 格式

Step 6: 数据清洗与格式化

  1. 提取关键字段
  2. 转换中文数字 (如 "1.2万" → 12000)
  3. 标准化时间戳
  4. 生成最终 JSON，保留原始数据

Step 7: 详情页爬取 (强化版)

  1. 获取详情页 URL: 从热搜数据中提取 mid 或构建搜索详情 URL
  2. 搜索 API 获取详情: 使用 https://m.weibo.cn/api/container/getIndex?containerid=100103type%3D1%26q%3D{keyword} 获取微博详情
  3. 解析正文内容: 从返回的 JSON 中提取 text 字段（HTML 格式）
  4. 提取纯文本: 使用 strip_tags 或正则去除 HTML 标签获取纯文本

  5. 内容截断处理: 如果内容过长，保留前 5000 字符

  6. 详情页反爬强化策略 ⭐:

    • 专用 Cookie 池: 维护 3-5 个有效 Cookie，定期刷新，与主 API 分离
    • 代理 IP 支持: 支持 HTTP/HTTPS 代理，遇到 403/429 自动切换
    • 请求间隔: 8-15 秒随机（比普通请求更长）
    • 失败重试机制:
      • 首次失败: 等待 60s 重试
      • 二次失败: 更换 UA/Cookie，等待 120s 重试
      • 三次失败: 切换代理 IP，等待 240s 重试
      • 仍然失败: 标记失败，记录日志，继续处理下一条
    • 备用 API: 详情页失败时尝试:
      • https://m.weibo.cn/statuses/show?id={mid}
      • https://m.weibo.cn/detail/{mid}
    • 降级处理: 详情页失败时，记录 metadata.详情页爬取成功=false，但继续生成简报

  7. mid 提取: 从搜索结果 cards[].mblog.mid 获取微博 ID

  8. 多卡片处理: 搜索结果可能包含多个微博，取第一个有效 mblog

Step 8: 图片提取 (强化版)

  1. 提取 pic_ids: 从搜索 API 返回中获取 pic_ids 数组
  2. 构建图片 URL: 使用 https://wx1.sinaimg.cn/large/{pic_id}.jpg 格式
  3. 图片尺寸选择: 使用 large 尺寸减少水印干扰
  4. 下载图片: 如果需要保存图片，使用异步下载（并发 ≤ 3）
  5. 设置 Referer: 请求头设置 Referer 为 weibo.com 避免防盗链
  6. 图片有效性验证: 验证图片 URL 可访问

  7. 备用域名: 尝试 wx1/wx2/wx3/wx4.sinaimg.cn 多个域名提高成功率

  8. 多源提取强化 ⭐:

    • 来源1: 从搜索 API 返回的 pic_ids 数组提取
    • 来源2: 从 media_urls 字段提取（如果有）
    • 来源3: 从详情页 JSON 的 pics 数组提取（详情页爬取成功时）
    • 降级处理: 如果所有图片源都失败，media_urls 设为空数组，并记录日志

  9. 多尺寸尝试: 某尺寸失败时尝试其他尺寸

    • large → bmiddle → small → mw690

  10. 失败跳过: 单张图片下载失败不影响其他图片处理

Step 9: 简报生成 (强化版)

  1. 准备数据: 整合标题、正文、图片、热度、分类等信息
  2. 生成 Markdown 简报:
    • 使用 markdown 模板渲染
    • 包含：基本信息、核心内容、互动数据、关联图片、原始链接
    • 格式化数字: 使用千位分隔符 (例如 1,234,567)
    • 图片路径: 如果图片已下载，使用本地路径；否则使用 URL
  3. 生成 HTML 简报（可选）:
    • 使用 HTML 模板渲染
    • 包含 CSS 样式、图片画廊、时间线
    • 响应式设计: 支持移动端查看
    • 图片灯箱: 点击可放大查看

  4. 输出文件: 保存为 brief_{timestamp}.md 或 brief_{timestamp}.html

  5. 降级处理强化 ⭐:

    • 内容缺失占位: 某字段缺失时，在简报中标注 [数据缺失]
      • 标题缺失: [标题获取失败]
      • 正文缺失: [正文内容获取失败]
      • 图片缺失: [无配图]
    • 部分成功处理: 即使只有部分数据，也生成简报（标注缺失部分）
    • Fallback 机制:
      • 如果详情页爬取失败，简报仍然生成基本信息部分
      • 如果图片提取失败，简报不含图片但标注说明
      • 如果全部失败，至少记录元数据和原始链接

  6. 简报字段:

    • 基本信息: 发布时间、来源、热度排名、分类
    • 核心内容: 标题 + 正文（纯文本，保留段落）
    • 互动数据: 点赞、评论、转发、阅读（格式化）
    • 关联图片: Markdown/HTML 图片标签（支持多图）
    • 原始链接: 详情页 URL（可点击）

  7. 批量简报: 支持将多条热搜合并为一个综合简报

Step 10: 结果输出

  1. 保存到 workspace 目录
  2. 打印执行结果摘要

Implementation

API Endpoints

  • 主 API (PC 端): https://weibo.com/ajax/side/hotSearch - 需要 Cookie
  • 备用 API 1 (移动端): https://m.weibo.cn/api/index/list?type=hot - 无需 Cookie
  • 备用 API 2 (话题): https://m.weibo.cn/api/container/getIndex - 无需 Cookie
  • 详情页 API: https://m.weibo.cn/api/container/getIndex?containerid=100103type%3D1%26q%3D{keyword} - 无需 Cookie
  • 详情页备用 API: https://m.weibo.cn/statuses/show?id={mid} - 无需 Cookie
  • 用户微博: https://weibo.com/ajax/statuses/mymblog?uid={uid} - 需要登录
  • 评论 API: https://m.weibo.cn/comments/hotflow - 需要登录

Image URL Pattern

# 基础 URL
BASE_IMAGE_URL = "https://wx1.sinaimg.cn/"

# 尺寸选项
SIZE_SMALL = "small"      # 缩略图
SIZE_MIDDLE = "bmiddle"   # 中图
SIZE_LARGE = "large"      # 大图
SIZE_ORIGINAL = "mw690"   # 原图

# 完整 URL 格式
image_url = f"https://wx1.sinaimg.cn/{SIZE}/{pic_id}.jpg"

# 多域名备用
DOMAINS = ["wx1.sinaimg.cn", "wx2.sinaimg.cn", "wx3.sinaimg.cn", "wx4.sinaimg.cn"]

User-Agent Pool

USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36",
    "Mozilla/5.0 (iPhone; CPU iPhone OS 17_0 like Mac OS X) AppleWebKit/605.1.15 Mobile/15E148 Safari/604.1",
    "Mozilla/5.0 (Linux; Android 13; Pixel 7) AppleWebKit/537.36 Chrome/112.0.0.0 Mobile Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 Version/17.0 Safari/605.1.15"
]

DETAIL_COOKIES = [
    {"SUB": "xxx", "SUBP": "xxx"},  # 定期更新
    {"SUB": "yyy", "SUBP": "yyy"},
    {"SUB": "zzz", "SUBP": "zzz"},
]

Rate Limiting

  • 请求间隔: 5-10 秒随机
  • 每分钟请求数: ≤ 10
  • 超时重试: 3 次
  • 退避策略: 遇到 403/429 等待 60s/120s 后重试
  • 详情页请求间隔: 8-15 秒（详情页更敏感）

Error Handling & Fallback Strategy

  • 主 API 失败: 自动切换到移动端 API
  • 详情页失败: 记录日志，标记失败，继续处理下一条，不阻塞流程
  • 图片提取失败: 尝试备用来源，全部失败则设为空数组
  • 简报生成失败: 使用降级模板，标注缺失内容
  • 403 Forbidden: 更换 User-Agent 或切换备用 API
  • 429 Too Many Requests: 指数退避 (60s, 120s, 240s) 后重试
  • 网络超时: 重试，超时递增
  • 反爬机制: 降低频率或切换 API
  • HTML 响应: 检测到验证码页面，更换 UA 并尝试备用 API

Brief Generation Templates

Markdown 模板

# 微博热点简报

## 基本信息
- 发布时间: {timestamp}
- 来源: {author_name} ({verified_status})
- 热度: 排名 {hot_rank} | 热度值 {hot_score}
- 状态: {status_indicator}

## 核心内容
{title}

{content_text}

## 互动数据
- 点赞: {likes:,}
- 评论: {comments:,}
- 转发: {shares:,}
- 阅读: {read_count:,}

## 关联图片
{images_markdown}
[无配图]

## 原始链接
{detail_url}

---
*来源: 微博热搜榜 | 采集时间: {crawl_time}*

HTML 模板

<!DOCTYPE html>
<html>
<head>
    <meta charset="utf-8">
    <title>微博热点简报 {date}</title>
    <style>
        body { font-family: -apple-system, sans-serif; max-width: 800px; margin: 0 auto; padding: 20px; }
        .item { margin-bottom: 24px; border-bottom: 1px solid #eee; padding-bottom: 16px; }
        .title { font-size: 18px; font-weight: bold; color: #333; }
        .content { margin: 12px 0; color: #555; line-height: 1.6; }
        .images { display: flex; gap: 8px; flex-wrap: wrap; }
        .images img { max-width: 200px; border-radius: 4px; }
        .meta { font-size: 12px; color: #999; }
        .hot-rank { background: #ff3852; color: white; padding: 2px 8px; border-radius: 4px; }
        .missing { color: #999; font-style: italic; }
    </style>
</head>
<body>
    <h1>微博热点简报 {date}</h1>
    {items_html}
    <p class="missing">[部分数据获取失败]</p>
</body>
</html>

Output Format

{
  "source": {
    "platform": "weibo",
    "category": "娱乐",
    "hot_id": "xxx",
    "url": "https://weibo.com/xxx"
  },
  "engagement": {
    "likes": 12345,
    "comments": null,
    "shares": null,
    "read_count": 123456
  },
  "content": {
    "title": "热搜标题",
    "text": "微博正文内容",
    "media_urls": ["https://xxx.jpg"],
    "category_tags": ["娱乐", "明星", "综艺"]
  },
  "author": {
    "username": null,
    "followers": null,
    "verified": false
  },
  "timestamp": "2024-01-01T00:00:00Z",
  "metrics": {
    "hot_rank": 1,
    "hot_score": 999999,
    "trend": "up"
  },
  "metadata": {
    "采集时间": "2024-01-01T00:00:00Z",
    "数据来源": "weibo_hotsearch_api",
    "API版本": "v2",
    "反爬合规": {
      "ua_rotation": true,
      "rate_limiting": true,
      "response_validation": true
    },
    "详情页爬取": {
      "enabled": true,
      "成功": true,
      "正文提取": true,
      "图片提取": true,
      "失败原因": null
    }
  },
  "raw_data": {},
  "brief": {
    "generated": true,
    "format": "markdown",
    "path": "workspace/brief_20260328.md",
    "降级处理": false
  }
}

注意: engagement 和 author 字段中无法获取的数据使用 null 而非 0 或 -1，表示数据不可用而非数据缺失。必须通过多源验证尝试获取完整数据。

Execution Commands

# 爬取热搜榜
python3 weibo_scraper.py --category 娱乐 --limit 20

# 爬取热门微博
python3 weibo_scraper.py --type hot --limit 50

# 详情页爬取 + 简报生成
python3 weibo_scraper.py --detail --brief --limit 10

# 定时增量更新
python3 weibo_scraper.py --cron --output /path/to/output.json

File Structure

weibo-scraper/
├── .claude/
│   └── skills/
│       └── main_skill/
│           └── SKILL.md (本文件)
├── weibo_scraper.py     # 主脚本
├── requirements.txt     # Python 依赖
└── workspace/            # 输出目录
    ├── weibo_*.json     # 爬取结果
    └── brief_*.md       # 生成的简报

Dependencies

  • Python: 3.8+
  • pip packages: requests

Quality Checks

  • [x] 数据完整: engagement 数据字段存在，无法获取的标记为 null
  • [x] 分类准确: category_tags 正确
  • [x] 时效性: timestamp 为最近内容
  • [x] 无效过滤: 已删除/广告内容已过滤
  • [x] 反爬合规: UA 轮换、请求间隔、响应验证
  • [x] 数据可用性: 保留 metadata 和 raw_data
  • [x] 详情页爬取: 支持获取热点新闻详情页内容，强化反爬策略
  • [x] 图片提取: 支持多源提取，有降级处理
  • [x] 简报生成: 支持降级处理，标注缺失内容

训练记录

迭代历史

  • v1.0.0 → v1.1.0: 增加 UA 轮换、频率控制
  • v1.1.0 → v1.2.0: 将 -1 改为 null，增加响应验证
  • v1.2.0 → v1.3.0: 增加 metadata 和 raw_data 字段
  • v1.3.0 → v1.4.0: 增加多 API 源支持、新鲜度验证、降级策略
  • v1.4.0 → v1.5.0: 增加数据增强步骤、多源验证
  • v1.5.0 → v1.6.0: 优化完整流程、强化多源验证
  • v1.6.0 → v1.7.0: 增加详情页爬取、图片提取、简报生成能力
  • v1.7.0 → v1.8.0: 增加详细反爬策略、简报模板
  • v1.8.0 → v1.9.0: 强化 D6-D8 (详情页Cookie池、图片多源提取、简报降级处理)

Benchmark 得分

  • v1.3.0: 92.65
  • v1.4.0: 88.25 (评估)
  • v1.5.0: 89.80 (评估)
  • v1.6.0: 93.50
  • v1.7.0: 88.65 (预估)
  • v1.9.0: 目标 91.5+ (强化版 D6-D8)