# Weibo Scraper Skill

## Identity
- **Name**: weibo_scraper
- **Version**: 1.8.0
- **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。**新增：详情页爬取 + 简报生成能力（强化反爬 + 备用方案 + 降级处理）**。

## 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 **强化反爬**
4. **图片提取** - 提取并保存微博配图 **增加备用方案**
5. **简报生成** - 将图文内容整理为 HTML/Markdown 简报 **增加降级处理**
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 < 1 小时
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 **强化反爬**
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** **NEW**:
   - Cookie 池维护：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`

7. **失败处理**: 详情页请求失败时记录日志，继续处理其他条目，不阻塞主流程

### Step 8: 图片提取 **增加备用方案**
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. **图片提取备用方案** **NEW**:
   - 备用来源1：media_urls 字段（有些 API 直接返回完整 URL）
   - 备用来源2：从 text 字段的 HTML 中提取 `<img src="...">`
   - 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 **增加降级处理**
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
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
4. **输出文件**: 保存为 `brief_{timestamp}.md` 或 `brief_{timestamp}.html`
5. **简报字段**:
   - 基本信息: 发布时间、来源、热度排名
   - 核心内容: 标题 + 正文（纯文本）
   - 互动数据: 点赞、评论、转发、阅读
   - 关联图片: Markdown/HTML 图片标签
   - 原始链接: 详情页 URL

6. **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
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
- 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
```python
# 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"
```

### User-Agent Pool
```python
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"
]
```

### 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**: 8-12 秒（详情页更敏感）
- **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**: 记录日志，继续处理下一条，不阻塞流程
- **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

### Brief Generation Templates

#### Markdown 模板
```markdown
# 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}

## 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}

## 原始链接
{detail_url}

---
*来源: 微博热搜榜 | 采集时间: {crawl_time}*
```

#### HTML 模板
```html
<!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; }
        .placeholder { color: #999; font-style: italic; }
    </style>
</head>
<body>
    <h1>微博热点简报 {date}</h1>
    {items_html}
</body>
</html>
```

#### 降级处理占位符
```markdown
## 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|--}
```

## Output Format
```json
{
  "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,
      "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": "pic_ids",
      "备用来源": ["media_urls", "html_extract"],
      "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": {},
  "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
```bash
# 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**
- [x] 图片提取: 支持提取微博配图 URL **备用方案**
- [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
- v1.0.0 → 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: 强化反爬 + 备用方案 + 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 (理论)
- v1.8.0: 目标 ≥ 90 (强化 D6-D8)