Clean Content Fetch

Scrapling Web Fetch

当用户要获取网页内容、正文提取、把网页转成 markdown/text、抓取文章主体时，优先使用此技能。

默认流程

1. 使用 python3 scripts/scrapling_fetch.py <url> <max_chars>
2. 默认正文选择器优先级：
   • article
   • main
   • .post-content
   • [class*="body"]
3. 命中正文后，使用 html2text 转 Markdown
4. 若都未命中，回退到 body
5. 最终按 max_chars 截断输出

用法

python3 /Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/scripts/scrapling_fetch.py <url> 30000

依赖

优先检查：

• scrapling
• html2text
• curl_cffi
• playwright
• browserforge

推荐使用独立虚拟环境，避免系统 Python 的 PEP 668 限制：

python3 -m venv /Users/zzd/.openclaw/workspace/.venvs/clean-content-fetch
/Users/zzd/.openclaw/workspace/.venvs/clean-content-fetch/bin/pip install scrapling html2text curl_cffi playwright browserforge
/Users/zzd/.openclaw/workspace/.venvs/clean-content-fetch/bin/python -m playwright install chromium

如直接运行脚本，优先使用该虚拟环境中的 Python：

/Users/zzd/.openclaw/workspace/.venvs/clean-content-fetch/bin/python /Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/scripts/scrapling_fetch.py <url> 30000

输出约定

脚本默认输出 Markdown 正文内容。 如需结构化输出，可追加 --json。 如需调试提取命中了哪个 selector，可查看 stderr 输出。

附加资源

• 用法参考：/Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/references/usage.md
• 选择器策略：/Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/references/selectors.md
• 统一入口：/Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/scripts/fetch-web-content

何时用这个技能

• 获取文章正文
• 抓博客/新闻/公告正文
• 将网页转成 Markdown 供后续总结
• 常规 fetch 效果差，希望提升现代网页抓取稳定性
• 抓小红书分享短链或笔记落地页正文

小红书抓取方法

对于 xhslink.com 短链或小红书笔记页，推荐直接使用虚拟环境中的脚本运行：

/Users/zzd/.openclaw/workspace/.venvs/clean-content-fetch/bin/python /Users/zzd/.openclaw/workspace/skills/scrapling-web-fetch/scripts/scrapling_fetch.py 'http://xhslink.com/o/9745hugimlD' 30000

说明：

• 脚本会先解析短链并抓取落地页正文
• 适合提取小红书笔记文案、标题和主体内容
• 若页面需要更复杂交互，再切到浏览器自动化

何时不用

• 需要完整浏览器交互、点击、登录、翻页时：改用浏览器自动化
• 只是简单获取 API JSON：直接请求 API 更合适