skill.md 13.8 KB

Edit Raw Blame History


Weibo Scraper Skill
Identity

Name: weibo_multi_list_scraper
Version: 2.0.0
Type: Scraping/Data Extraction
Platform: Weibo (weibo.com)

Description
微博热点内容爬取技能（多榜版本）。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。强化版支持详情页爬取 + 图片提取 + 简报生成 + 反爬强化。
Capabilities

热搜榜爬取 - 获取微博热搜榜单 Top 50
热门微博抓取 - 获取热门微博内容及作者信息
分类筛选 - 按娱乐、社会、科技、搞笑、体育、财经等分类
指标提取 - 提取点赞数、评论数、转发数、阅读数
数据清洗 - 去广告、去无效内容、格式标准化
定时爬取 - 支持 Cron 定时任务和增量更新
反爬合规 - UA轮换、频率控制、响应验证、Cookie池
详情页爬取 - 访问热点详情页 URL，提取完整正文内容 强化反爬
图片提取 - 从 media_urls / 详情页提取并保存图片到本地 多源备份
简报生成 - 生成文字+图片 Markdown/HTML 简报 降级处理

Methodology
Step 1: 初始化请求环境

创建 requests Session
设置基础请求头 (User-Agent, Accept, Accept-Language, Referer)
配置超时 (10秒)
初始化 Cookie 池

Step 2: 反爬合规控制 (强化版)

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)

Cookie 池轮换: 准备 5+ 个 Cookie，每 10 次请求轮换一次
请求频率限制: 每次请求间隔 5-10 秒随机延迟
单 IP 限流: 每分钟请求数 ≤ 10
指数退避: 遇到 429/403 时，等待 60s 后重试，再失败则等待 120s
代理 IP 支持: 配置代理池，遇到 403/429 自动切换
请求头完整性: 设置 Accept-Encoding, Accept-Language, Connection 等

Step 3: 执行爬取 (多 API 源)

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

Step 4: 数据验证与新鲜度

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

Step 5: 数据增强

字段补全: engagement.comments/shares 尝试从多源获取
作者信息补全: 尝试从话题页获取作者信息
多源验证: 对比多个数据源，确保数据准确性
数据清洗: 去广告、去无效内容、格式标准化
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

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

Step 7: 详情页爬取 (强化反爬 - 解决 D6)

提取详情页 URL: 从热搜数据中识别 m.weibo.cn/detail/{mid} 格式 URL
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
请求详情页 API: 使用 https://m.weibo.cn/statuses/show?id={mid} 获取完整内容
内容提取: 解析返回的 JSON，提取 text 字段（完整正文）
图片URL提取: 从 pics 数组提取图片 URL 到 content.media_urls
详情页反爬强化 NEW:


Cookie 池轮换：准备多个 Cookie，每 10 次请求轮换一次
代理 IP 支持：如果检测到 403/429，自动切换代理 IP
详情页专用退避：首次失败等待 15s，第二次等待 30s，第三次等待 60s
请求头强化：详情页请求额外添加 X-Requested-With: XMLHttpRequest
失败标记：如果连续 3 次失败，在 metadata 中标记 详情页爬取: 部分失败
备用来源：使用搜索 API 作为备用

降级处理: 详情页失败时使用热搜榜已有信息，记录 详情页爬取: 部分失败

Step 8: 图片提取与保存 (多源备份 - 解决 D7)

图片URL验证: 检查 content.media_urls 是否为空
并发下载: 使用 asyncio/aiohttp 并发下载图片（控制并发数 ≤ 3）
重试机制: 下载失败时重试 3 次
保存路径: 保存到 workspace/images/{mid}_{index}.jpg
图片命名: 使用原始文件名或 {timestamp}_{index} 命名
质量验证: 下载后验证图片完整性（检查文件大小 > 1KB，尝试解码）
图片提取多源备份 NEW:


备用来源1：media_urls 字段（API 直接返回的 URL）
备用来源2：从 text 字段的 HTML 中提取 <img src="...">
备用来源3：详情页搜索 API 返回的 pics 数组
降级处理：如果所有图片 URL 都无效，在 media_urls 中保留空数组并记录


Step 9: 简报生成 (降级处理 - 解决 D8)

创建简报目录: workspace/output/{date}/
生成 Markdown 简报: 按模板格式生成 brief.md
生成 HTML 简报: 可选，使用 HTML 模板渲染
简报内容结构:


基本信息: 发布时间、来源、热度排名、分类标签
核心内容: 标题 + 正文 + 摘要（50字内）
互动数据: 点赞/评论/转发/阅读数
关联图片: 使用相对路径引用图片
原始链接: 详情页 URL

降级处理: 部分数据缺失时，在简报中标注 "[数据获取失败]"
简报降级处理 NEW:


内容缺失占位：如果正文为空，简报中显示 （暂无详细内容）
图片缺失占位：如果无图片，简报中显示 （暂无图片）
互动数据缺失：如果某项为 null，简报中显示 --
Fallback 机制：如果 Markdown 生成失败，尝试生成纯文本简报
错误日志：记录简报生成过程中的错误，但不影响主流程


Step 10: 结果输出

保存 JSON 数据到 workspace 目录
保存图片到 workspace/images/ 目录
保存简报到 workspace/output/ 目录
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/statuses/show?id={mid} - 获取完整内容
搜索详情 API: https://m.weibo.cn/api/container/getIndex?containerid=100103type%3D1%26q%3D{keyword} - 搜索获取详情
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

Crawl Strategy

使用公开 API 或网页爬取热搜数据
解析 JSON 响应获取结构化数据
过滤低质量内容（广告、无内容、已删除）
分类标注
输出标准化 JSON

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"
]

Cookie Pool (模拟)
# 实际使用时需要维护真实的 Cookie 池
COOKIE_POOL = [
    {"cookie": "SUB=_xxx1", "domain": ".weibo.com"},
    {"cookie": "SUB=_xxx2", "domain": ".weibo.com"},
    # ...
]

Proxy Pool (占位)
# 实际使用时需要配置真实的代理池
PROXY_POOL = [
    {"http": "http://proxy1:port", "https": "https://proxy1:port"},
    {"http": "http://proxy2:port", "https": "https://proxy2:port"},
    # ...
]

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 10-15 秒，降低被反爬概率
详情页专用退避: 首次失败等待 15s，第二次 30s，第三次 60s

Error Handling & Fallback Strategy

主 API 失败: 自动切换到移动端 API
详情页失败: 返回热搜榜基础信息，标注 "[详情页获取失败]"
详情页反爬强化:


Cookie 池轮换（每 10 次请求）
代理 IP 切换（403/429 时）
专用退避策略（15s → 30s → 60s）

图片提取备用: media_urls 字段、HTML 提取、降级处理
简报降级: 内容/图片缺失占位、Fallback 纯文本
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

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,
      "cookie_pool": true,
      "proxy_support": true
    },
    "详情页爬取": {
      "enabled": true,
      "状态": "成功|部分失败|完全失败",
      "正文提取": true,
      "反爬策略": ["cookie_pool", "proxy_fallback", "backoff_15_30_60"]
    },
    "图片提取": {
      "enabled": true,
      "主来源": "pics/media_urls",
      "备用来源": ["html_extract", "detail_search_api"],
      "降级处理": true
    },
    "简报生成": {
      "enabled": true,
      "format": "markdown",
      "降级处理": true,
      "内容缺失占位": true
    }
  },
  "raw_data": {}
}

简报输出格式 (brief.md)
# 微博热点简报

## 基本信息
- 发布时间: {timestamp}
- 来源: {author.username} ({verified})
- 热度: 排名 {hot_rank} | 热度值 {hot_score}
- 分类标签: {category_tags}

## 内容摘要
{summary_50_chars}

## 核心内容
{content.title}

{content.text|（暂无详细内容）}

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

## 关联图片
{images_markdown|（暂无图片）}

## 原始链接
{url}

降级处理占位符
## 核心内容
{title}

{content_text|（暂无详细内容）}

## 关联图片
{images_markdown|（暂无图片）}

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


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。

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
    ├── output/            # 简报目录
    │   └── 2026-03-28/
    │       └── brief.md
    └── images/            # 图片目录
        └── xxx.jpg

Dependencies

Python: 3.8+
pip packages: requests, aiohttp (异步下载)

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、Cookie 池、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: 支持获取详情页完整内容 强化反爬
[x] 图片提取: 支持提取并保存图片 多源备份
[x] 简报生成: 支持生成 Markdown/HTML 简报 降级处理


训练记录
迭代历史

v1.9.0 → v2.0.0: 强化反爬（Cookie池、代理支持、详情页专用退避）+ 图片多源备份 + 简报降级处理

Benchmark 得分 (目标)

v1.9.0: 91.34 (理论)
v2.0.0: 目标 ≥ 90 (实际)

改进内容

Step 2 增加 Cookie 池轮换
Step 2 增加代理 IP 支持
Step 7 增加详情页反爬强化（Cookie池、代理、专用退避）
Step 8 增加图片多源备份
Step 9 增加简报降级处理占位符