# Xhs

> 提取小红书帖子内容（文字、图片 OCR、视频字幕/转录），整理为 Markdown 并保存

- Skill: `chenxiachan/xhs` (Agent Skill)
- Install (CLI): `npx skillmds@latest add chenxiachan/xhs`
- Raw SKILL.md: https://api.skillmd.com/api/skills/chenxiachan/xhs/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Docs & Writing
- Author: chenxiachan (https://skillmd.com/u/chenxiachan)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/chenxiachan/xhs

---


用户希望提取小红书帖子内容。请按以下步骤处理：

## 常量定义
- Cookies 文件: `~/cookies.json`（从 Chrome 导出的小红书 cookies）
- Obsidian 保存目录: `~/Documents/Obsidian Vault/xhs`
- Whisper 模型: `mlx-community/whisper-large-v3-turbo`

## 输入
用户提供的小红书链接: $ARGUMENTS

## 提取流程

### 步骤 0：检查 Cookies
1. 检查 `~/cookies.json` 是否存在
2. 如果不存在，告知用户需要从 Chrome 导出 cookies：
   - 在 Chrome 打开 xiaohongshu.com 并确认已登录
   - 打开 DevTools Console，运行以下代码将 cookies 复制到剪贴板：
   ```javascript
   copy(JSON.stringify(document.cookie.split('; ').map(c => {
     const [name, ...rest] = c.split('=');
     return { name, value: rest.join('='), domain: '.xiaohongshu.com', path: '/',
       expires: Date.now()/1000 + 86400*30, size: name.length + rest.join('=').length,
       httpOnly: false, secure: false, session: false, priority: 'Medium',
       sameParty: false, sourceScheme: 'Secure', sourcePort: 443 };
   })))
   ```
   - 将剪贴板内容保存到 `~/cookies.json`
   - 然后终止流程，等用户完成后重新运行

### 步骤 1：解析链接
从 URL 中提取帖子 ID（24 位十六进制字符串）和 xsec_token 参数。

### 步骤 2：获取帖子内容
使用 Python 脚本，通过 Cookies 请求帖子页面 HTML，从 `window.__INITIAL_STATE__` 解析全部帖子数据：

```python
import json, urllib.request, ssl, re

with open('<Cookies 文件>') as f:
    cookies = json.load(f)
cookie_str = '; '.join(f"{c['name']}={c['value']}" for c in cookies)

ctx = ssl.create_default_context()
ctx.check_hostname = False
ctx.verify_mode = ssl.CERT_NONE

req = urllib.request.Request('<帖子URL>')
req.add_header('Cookie', cookie_str)
req.add_header('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36')

resp = urllib.request.urlopen(req, timeout=15, context=ctx)
html = resp.read().decode('utf-8', errors='ignore')

m = re.search(r'window\.__INITIAL_STATE__\s*=\s*(\{.+?\})\s*</script>', html, re.DOTALL)
raw = m.group(1).replace('undefined', 'null')
data = json.loads(raw)

# 帖子数据在: data['note']['noteDetailMap'][<key>]['note']
# 包含: title, desc, type, time, user, imageList, video, interactInfo, ipLocation
```

如果请求失败（被重定向到 404/错误页），说明 cookies 过期，提示用户按步骤 0 重新导出。

### 步骤 3：视频内容提取（仅视频帖子）
如果帖子 type 为 video，**优先使用平台内嵌字幕**，仅在无字幕时回退到本地 Whisper 转录。

#### 3a. 检查平台字幕（优先）
从步骤 2 获取的视频数据中检查是否有内嵌字幕：
```
note['video']['media'] 或 note['video']['mediaV2']（JSON 字符串，需二次解析）
-> 查找 subtitles 字段
-> 优先级：source > zh-CN > en-US
-> 取对应语言的 SRT URL
```

如果找到字幕 URL：
```bash
# 注意：字幕 CDN 域名必须使用 HTTPS（HTTP 可能超时）
curl -sL --connect-timeout 10 -o /tmp/xhs_{post_id}.srt \
  -H "User-Agent: Mozilla/5.0" \
  -H "Referer: https://www.xiaohongshu.com/" \
  "<字幕URL（确保 https://）>"
```

解析 SRT 文件，合并为连续文本（去除时间戳和序号），按语义断句重新组织段落。
字幕比 Whisper 转录更准确，且无需下载视频，**应优先使用**。

#### 3b. Whisper 转录（回退方案）
仅当步骤 3a 未找到字幕时，执行以下子步骤：

**提取视频 URL：**
```
note['video']['media']['stream'] -> 按 h264 > h265 > av1 优先级取第一个的 masterUrl
```

**下载视频并提取音频：**
```bash
curl -L -o /tmp/xhs_{post_id}.mp4 -H "Referer: https://www.xiaohongshu.com/" <视频URL>
ffmpeg -y -i /tmp/xhs_{post_id}.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 /tmp/xhs_{post_id}.wav
```

**语音转录：**
```python
import mlx_whisper
result = mlx_whisper.transcribe("/tmp/xhs_{post_id}.wav",
    path_or_hf_repo="mlx-community/whisper-large-v3-turbo", language="zh", verbose=False)
```

#### 3c. 清理转录/字幕文本
- 去除尾部重复字符（背景音乐噪音）
- 按语义断句，添加标点和段落
- 如有步骤/要点结构，用 Markdown 格式化

#### 3d. 清理临时文件
```bash
rm -f /tmp/xhs_{post_id}.mp4 /tmp/xhs_{post_id}.wav /tmp/xhs_{post_id}.srt
```

### 步骤 3B：图片文字识别（仅图文帖子）
如果帖子 type 为 normal（图文帖子），且图片中可能包含大量文字内容（如长文截图、PPT 翻拍、信息图表等），执行以下子步骤进行 OCR 识别。

**判断是否需要 OCR：** 如果帖子 `desc` 已经包含完整的文章内容（超过 500 字），通常不需要 OCR。但如果 `desc` 较短（如仅有标题或几句引言），而图片数量较多（≥3 张），则图片很可能是文章的载体，需要 OCR 提取。

#### 3B-a. 下载图片
从步骤 2 获取的 `imageList` 中提取每张图片的 `urlDefault` URL。

**关键：必须将 HTTP URL 改为 HTTPS**（HTTP 连接小红书图片 CDN 可能超时）。

使用 curl 批量下载：
```bash
# 单张下载
curl -sL --connect-timeout 10 -o /tmp/xhs_{post_id}_img_{序号}.jpg \
  -H "Referer: https://www.xiaohongshu.com/" \
  -H "User-Agent: Mozilla/5.0" \
  "<图片URL（http:// 替换为 https://）>"

# 批量下载（curl 多输出模式，一条命令下载所有图片）
curl -sL --connect-timeout 10 \
  -H "Referer: https://www.xiaohongshu.com/" \
  -H "User-Agent: Mozilla/5.0" \
  -o /tmp/xhs_{post_id}_img_00.jpg "<URL_0>" \
  -o /tmp/xhs_{post_id}_img_01.jpg "<URL_1>" \
  ...
```

#### 3B-b. 读取图片文字
使用 Claude Code 的 `Read` 工具读取每张图片（多模态能力，直接识别图中文字）。

**注意多图限制：** Claude 的多图上下文限制为每张图片最长边 ≤ 2000px。每次最多同时读取 4 张图片，超过 4 张需分批读取。

```
# 分批读取，每批最多 4 张
Read /tmp/xhs_{post_id}_img_00.jpg
Read /tmp/xhs_{post_id}_img_01.jpg
Read /tmp/xhs_{post_id}_img_02.jpg
Read /tmp/xhs_{post_id}_img_03.jpg
# （下一批）
Read /tmp/xhs_{post_id}_img_04.jpg
...
```

从每张图片中提取所有中文/英文文字内容，按图片顺序拼接为完整文章。

#### 3B-c. 整理 OCR 文本
- 合并所有图片的文字为连续文章
- 修复跨图片的断句（上一张图最后一行可能和下一张图第一行是同一句话）
- 按逻辑结构分节，添加小标题
- 保留关键数据、引用和结论

#### 3B-d. 清理临时文件
```bash
rm -f /tmp/xhs_{post_id}_img_*.jpg
```

### 步骤 4：整理输出并保存
将内容整理为 Markdown 文件，保存到 `<Obsidian 保存目录>/{YYYY-MM-DD} {短标题}.md`。
- 文件名格式：`{发布日期} {短标题}.md`，短标题不超过15个字，是核心洞察的极简概括
- 日期前缀确保按时间排序
- 不创建子目录，所有帖子 md 直接放在 xhs 文件夹下
- 媒体文件统一放在 `<Obsidian 保存目录>/img/` 或 `<Obsidian 保存目录>/video/`

**写作风格：Peter Thiel 式——直接、反直觉、一句话给判断。笔记是决策工具，不是知识库。用户扫一眼就能决定：深挖还是跳过。**

文件结构（**无 YAML frontmatter**）：

```markdown
# 一句话核心洞察（反直觉的判断，不是描述性标题）

核心论点，2-3句话。直接给出"大多数人觉得X，但其实Y"的判断。
不废话，不铺垫，像 Thiel 在董事会上说话。

**与我的关联：** 一句话。读取用户的 memory（~/.claude/projects/*/memory/ 下的
user 和 project 类型记忆）了解用户背景、研究方向和当前工作，据此说清楚
这个内容跟用户有什么关系。如果 memory 不可用，从通用的个人发展/工具/方法论角度切入。

**值得深挖吗：** 是/否。一句话理由。

> [!tip]- 详情
> 帖子核心内容的结构化整理（折叠状态，点开才看到）：
> - 从 desc、视频字幕/转录、图片 OCR 文字中提炼，清理 `#xxx[话题]#` 标记
> - 按逻辑结构分节，保留关键数据和结论
> - 纯装饰性图片用 `![图N](urlDefault)` 嵌入
> - 含大量文字的图片：嵌入 OCR 提取的结构化文本（不嵌入图片 URL）
> - 视频帖子在此处放整理后的字幕/转录内容

> [!info]- 笔记属性
> - **来源**: 小红书 · 作者名
> - **帖子ID**: xxx
> - **链接**: 原始链接
> - **日期**: YYYY-MM-DD
> - **类型**: image/video
> - **互动**: N赞 / N收藏 / N评论
> - **标签**: 标签1, 标签2, ...
```

关键约束：
- 折叠区域外的可见内容**不超过 6 行**
- 标题必须是洞察/判断，不是"XX帖子的总结"
- 图片使用 `urlDefault` 字段的 URL