微信公众号文章抓取工具

概述

使用 Playwright 抓取微信公众号文章,后台运行无弹窗,自动处理动态加载,提取干净的文章内容,并支持自动保存为 Markdown 文件。

功能特性

✅ 无头模式运行: 默认后台抓取,不弹出浏览器窗口
✅ 智能回退机制: 无头模式失败时自动切换到有头模式
✅ 动态内容支持: 自动等待页面加载完成,处理懒加载图片
✅ 自动保存为 Markdown: 支持将抓取结果保存为格式化的 Markdown 文件
✅ 内容清洗: 移除HTML标签,保留段落结构,输出纯文本
✅ 自动重试: 失败时自动重试3次,提高成功率
✅ 错误检测: 识别"参数错误"等异常页面
✅ 跨平台支持: 完全支持 Windows、macOS 和 Linux
✅ 法律内容自动格式化: 检测到法律内容时自动链式调用 legal-text-format（强制执行协议）
✅ 图片下载: 自动下载文章中的所有图片到本地
✅ 智能图片筛选: 自动过滤小的装饰性图片（如社交媒体按钮、表情符号）
✅ 图片位置保持: 保留图片在原文档中的位置
✅ 自动文件命名: 根据文章标题生成文件名和资源文件夹

抓取后法律格式化协议（强制执行）

本节为必须遵守的执行指令，而非可选建议。

法律内容判定清单

完成抓取后，你必须立即按以下清单判定内容是否为法律文本。满足任意一条即为法律内容：

标题关键词：案例、裁判、判决、法规、条例、规定、办法、解释、通知、意见、规则、最高法、最高检、法院、检察院、司法解释
内容特征：包含案号（如 (202X)XX民初XX号）、法院名称、法律条文引用（如 第X条第X款）
结构特征：符合法律案例典型结构（基本案情、裁判结果、典型意义等）

自动链式调用条件

以下两个条件同时满足时，必须立即调用 legal-text-format，不询问用户确认：

上方判定结果为"是法律内容"
本项目中存在 skills/legal-text-format/SKILL.md（通过 ls skills/legal-text-format/SKILL.md 或等效方式检查）

链式调用步骤

条件满足时，按以下顺序执行：

完成抓取，将 Markdown 保存到本技能 archive/ 目录
按判定清单判断内容类型
如果是法律内容，检查 skills/legal-text-format/SKILL.md 是否存在
如果存在，立即调用 legal-text-format 技能，传入抓取到的文件路径作为输入
使用下方对应模板汇报最终结果

降级处理

如果 legal-text-format 不存在：正常结束抓取流程，在汇报中附加提示：

已检测到法律内容，但项目中未安装 legal-text-format 格式化技能。如需自动格式化，可通过 skill-manager 安装。

结果存储

抓取的原始内容：保存在本技能的 archive/ 目录（默认行为不变）
格式化后的内容：保存在 legal-text-format 的 archive/ 目录（由该技能自行管理）

汇报模板

仅抓取（非法律内容，或 legal-text-format 未安装）：

已完成抓取：{标题} 保存位置：{文件路径}

抓取 + 格式化（法律内容且 legal-text-format 已安装）：

已完成抓取 + 法律格式化：{标题} 原始内容：{wechat-article-fetch archive 路径} 格式化内容：{legal-text-format archive 路径} 文本类型：{法律条文/法律案例}

使用方法

在 Claude Code 中调用

// 抓取文章（仅返回结果）
const result = await fetchWechatArticle("https://mp.weixin.qq.com/s/xxxxx");

// 抓取文章并自动保存为 Markdown 文件
const result = await fetchWechatArticle(
  "https://mp.weixin.qq.com/s/xxxxx",
  3,           // 重试次数（可选）
  "./output.md" // 保存路径（可选）
);

// 返回格式
{
  title: "文章标题",
  content: "文章正文...",
  url: "文章URL"
}

命令行调用

# 基本用法（仅输出到控制台）
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx"

# 保存为指定文件
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/my-article.md"

# 保存到目录（自动使用文章标题作为文件名）
node scripts/fetch.js "https://mp.weixin.qq.com/s/xxxxx" "./articles/"

输出格式

控制台输出

标题: 文章标题

文章正文第一段...

文章正文第二段...

Markdown 文件格式

# 文章标题

> 原文链接: https://mp.weixin.qq.com/s/xxxxx
> 抓取时间: 2026-01-21 20:30:00

---

文章正文第一段...

![图片描述](文章标题_assets/image_xxx_0.jpg)

文章正文第二段...

文件结构

当文章包含图片时，会自动生成以下文件结构：

输出目录/
├── 文章标题.md              # Markdown 文件
└── 文章标题_assets/         # 图片资源文件夹
    ├── image_xxx_0.jpg
    ├── image_xxx_1.jpg
    └── ...

图片筛选

默认启用智能图片筛选，自动过滤小于 15KB 的装饰性图片（如社交媒体按钮、表情符号等）。

可以在 scripts/fetch.js 中修改筛选配置：

const IMAGE_FILTER_CONFIG = {
  minFileSize: 15 * 1024,  // 最小文件大小（字节）
  enabled: true            // 是否启用筛选
};

技术实现

依赖要求

Playwright (npx playwright install chromium)
Node.js >= 14.0.0

抓取流程

检测并安装 Playwright（如需要）
启动 Playwright headless 浏览器
设置反检测参数(User-Agent, webdriver隐藏等)
导航到目标URL,等待网络空闲
滚动页面触发懒加载
提取 #js_content或 .rich_media_content区域
清理HTML标签,保留段落结构
返回标题和纯文本内容
如果指定了保存路径,自动保存为 Markdown 文件
如果无头模式失败,自动回退到有头模式重试

错误处理

自动重试3次,每次失败后等待3秒
无头模式失败后自动回退到有头模式
检测错误页面(参数错误、访问异常)
超时设置30秒
Windows 平台特殊处理（路径、命令格式）

跨平台兼容性

Windows: 自动检测并使用 cmd.exe 运行 npx 命令
macOS/Linux: 直接使用 npx 命令
路径处理: 自动规范化路径分隔符
文件名处理: 自动移除 Windows 非法字符

适用场景

内容转换工具的输入源
文章分析和处理
自动化内容抓取
批量文章下载
文章归档和本地保存
Markdown 格式转换
法律文档自动格式化（检测到法律内容时）
图文文章完整保存（包含图片的离线归档）
图片资源管理（自动下载并组织文章中的图片）

使用示例

示例 1: 批量抓取并保存

const urls = [
  "https://mp.weixin.qq.com/s/xxxx1",
  "https://mp.weixin.qq.com/s/xxxx2",
  "https://mp.weixin.qq.com/s/xxxx3"
];

for (const url of urls) {
  const result = await fetchWechatArticle(url, 3, "./articles/");
  console.log(`已保存: ${result.title}`);
}

示例 2: 在 Claude Code 中直接使用

请帮我抓取这个微信公众号文章并保存为 Markdown 文件:
https://mp.weixin.qq.com/s/xxxxx

注意事项

⚠️ 仅用于个人学习和研究,请遵守网站服务条款 ⚠️ 频繁抓取可能被限流,建议控制请求频率 ⚠️ 抓取的内容版权归原作者所有 ⚠️ 有头模式会弹出浏览器窗口,可能干扰工作流程 ⚠️ Windows 用户首次使用需要安装 Playwright（会自动安装）