# Weibo Scraper Skill

## Identity
- **Name**: weibo_scraper
- **Version**: 1.3.0
- **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。

## 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. **分类筛选** - 按娱乐、社会、科技、搞笑、体育、财经等分类
4. **指标提取** - 提取点赞数、评论数、转发数、阅读数
5. **数据清洗** - 去广告、去无效内容、格式标准化
6. **定时爬取** - 支持 Cron 定时任务和增量更新
7. **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
1. 请求微博热搜 API: `https://weibo.com/ajax/side/hotSearch`
2. 解析 JSON 响应
3. 过滤低质量内容 (flag=1,2 为有效数据)
4. 分类标注

### Step 4: 数据验证
1. 检测返回是否为 HTML (验证码页面)
2. 验证 JSON 解析是否成功
3. 检查 ok 字段是否为 1

### Step 5: 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 6: 结果输出
1. 保存到 workspace 目录
2. 打印执行结果摘要

## Implementation

### API Endpoints
- 微博热搜 API: `https://weibo.com/ajax/side/hotSearch`
- 热门微博: `https://weibo.com/ajax/statuses/hotflow`
- 实时微博: `https://weibo.com/ajax/feed/listmyhot`

### 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

### Error Handling
- 403 Forbidden: 更换 User-Agent 或 Cookie
- 429 Too Many Requests: 指数退避 (60s, 120s, 240s)
- 网络超时: 重试，超时递增
- 反爬机制: 降低频率或切换 UA
- HTML 响应: 检测到验证码页面，更换 UA 重试

## 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
    }
  },
  "raw_data": {}
}
```

> **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
```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

# 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
```

## 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

---

## 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

### Benchmark 得分
- 最终得分: 92.65 (≥ 90 达标)
- 迭代次数: 4 次
- 训练时间: 2026-03-28