# Satire News Scraper Knowledge Base ## 1. 讽刺新闻网站技术方案 ### 1.1 推荐抓取模式 **RSS 为主 + 网页为补充** | 模式 | 适用场景 | 实现复杂度 | |------|----------|------------| | RSS Feed | 日常监控、批量抓取 | 低 | | 网页详情 | 获取完整正文 | 中 | ### 1.2 RSS 解析规范 **标准 RSS 2.0 字段** ```xml 文章标题 https://... 摘要或全文 Mon, 01 Jan 2024 00:00:00 GMT 分类标签 ``` **解析规则** - `title` → `headline` (直接映射) - `description` → `summary` (HTML 转纯文本) - `link` → `source_url` (直接映射) - `pubDate` → `published_at` (转 ISO8601) --- ## 2. 荒诞内容识别方法论 ### 2.1 标题分析算法 **荒诞度评分** ``` absurdity_score = ( hyperbole_matches * 0.30 + absurd_subject_score * 0.25 + irony_indicator * 0.25 + structural_absurdity * 0.20 ) * 10 ``` **检测维度** | 维度 | 权重 | 检测方法 | |------|------|----------| | 夸张用词 | 30% | 关键词匹配 (million, 100%, everyone) | | 荒诞主体 | 25% | 普通名词执行非凡动作 | | 讽刺指示 | 25% | 语境反差检测 | | 结构荒诞 | 20% | 标题句式模式 | ### 2.2 讽刺角度识别 **分类体系** 1. **政治讽刺** - 政策、人物、制度 2. **社会讽刺** - 习俗、趋势、现象 3. **消费讽刺** - 品牌、广告、购物 4. **科技讽刺** - 社交媒体、科技产品 5. **职场讽刺** - 办公文化、职业发展 --- ## 3. 短剧素材提取 SOP ### 3.1 提取流程 ``` Step 1: 抓取 RSS └─ 获取标题、链接、发布时间 └─ 清洗 HTML,提取纯文本 Step 2: 荒诞度评分 ├─ 分析标题关键词 ├─ 识别超现实设定 └─ 计算 absurdity_score Step 3: 内容结构化 ├─ headline: 原标题 ├─ absurd_premise: 一句话荒诞设定 ├─ satire_angle: 讽刺目标 ├─ dramatic_twist: 反转点 └─ adaptation_notes: 改编建议 Step 4: JSON 输出 └─ 按 schema 格式化 ``` ### 3.2 各字段提取规则 **absurd_premise** - 从标题提取核心荒诞概念 - 用一句话概括超现实设定 - 示例: "Local man declares war on clouds" → "普通人向自然现象宣战" **satire_angle** - 分析讽刺的具体目标 - 识别被戏仿的社会现象 - 示例: 自我标签化、过度反应、无意义抗议 **dramatic_twist** - 识别标题中的意外元素 - 提取转折/揭示点 - 示例: 字面理解 vs 隐喻理解的反差 **adaptation_notes** ```json { "genre": "短剧类型", "tone": "基调风格", "visual_elements": ["视觉化建议"], "dialogue_style": "对白风格" } ``` --- ## 4. 输出格式规范 ### 4.1 JSON Schema ```json { "headline": "原标题", "absurd_premise": "一句话荒诞设定", "satire_angle": "讽刺角度", "dramatic_twist": "剧情反转点", "adaptation_notes": { "genre": "喜剧类型", "tone": "基调", "visual_elements": ["视觉元素"], "dialogue_style": "对白风格" }, "metadata": { "source": "来源网站", "url": "原文链接", "published_at": "发布时间", "absurdity_score": 7.5 } } ``` ### 4.2 字段说明 | 字段 | 类型 | 必填 | 说明 | |------|------|------|------| | headline | string | Y | 原标题,保留完整性 | | absurd_premise | string | Y | 中文,一句话概括 | | satire_angle | string | Y | 讽刺目标,中文 | | dramatic_twist | string | Y | 反转点,中文 | | adaptation_notes.genre | string | Y | 短剧类型 | | adaptation_notes.tone | string | Y | 基调风格 | | adaptation_notes.visual_elements | array | N | 视觉建议 | | adaptation_notes.dialogue_style | string | N | 对白风格 | | metadata.absurdity_score | number | Y | 0-10 | --- ## 5. 常见陷阱与处理 | 陷阱 | 现象 | 解决方案 | |------|------|----------| | RSS 仅摘要 | description 不完整 | 访问详情页获取全文 | | 时间格式差异 | 各站格式不统一 | 统一转 ISO8601 | | 编码问题 | 特殊字符乱码 | 强制 UTF-8 | | 内容重复 | 多站报道相同话题 | URL 去重 | --- ## 6. 最佳实践 1. **优先使用 RSS** - 稳定、结构化、尊重网站 2. **缓存已抓取** - 避免重复处理 3. **评分阈值** - 只输出 absurdity_score > 6.0 4. **保留原文** - 不修改 headline,保持原汁原味 5. **中文适配** - adaptation_notes 用中文,便于创作者理解