handsomestWei 知乎数据抓取
从知乎获取收藏夹文章列表与正文 Markdown（含图片本地化），支持写入 Obsidian 知识库。命令与路径约定见下文；可视化说明见仓库根目录 README.md。
环境与约定
- 语言：默认与用户语种一致。
- 技能根目录：下文
${CLAUDE_SKILL_DIR}表示本 skill 仓库根目录（部分宿主 UI 中写作{baseDir}，含义相同）。脚本均在scripts/下。 - 工作区目录：脚本默认将 Cookie、浏览器用户数据、默认文章输出等放在
OPENCLAW_WORKSPACE环境变量指定的目录；未设置时为~/.openclaw/workspace/。 - 依赖：在
scripts/下执行pip install -r requirements.txt，并playwright install chromium。
登录与可选页面验证
zhihu_login.py：打开浏览器等待登录，默认以检测到z_c0为成功条件即可结束（不要求额外跳转）。- 可选二次校验：若用户希望登录后再确认「某一内需登录页」是否可访问（如某收藏夹页、专栏后台、关注动态等），属可选项，不设则不执行：
- 环境变量
ZHIHU_VERIFY_URL：值为完整http://或https://URL； - 或命令行第一个参数传入同一完整 URL：
python "${CLAUDE_SKILL_DIR}/scripts/zhihu_login.py" "https://www.zhihu.com/..."。 - 脚本会访问该 URL，若正文仍出现知乎通用提示「请登录后查看」，则提示可能未登录完成；否则认为当前会话可访问该页。不限定于收藏夹，任意知乎链接均可（只要登录态相关）。
- 环境变量
zhihu_relogin.py：Cookie 失效、需重新登录并写回zhihu_cookies.json时使用（会打开浏览器）。
触发条件
在用户使用以下任一方式时启用本技能：
- 明确提及：知乎、Zhihu、专栏、收藏夹、文章抓取、批量下载、Cookie、验证码、Obsidian、知识库同步等
- 粘贴 zhihu.com / zhuanlan.zhihu.com 链接并希望获取正文或列表
- 需要 断点续传、图片落盘、反爬 / Stealth 相关协助
工具与脚本路由
按任务选用能力；具体工具名以当前 Agent 环境为准。
常见任务与建议方式
| 任务 | 建议方式 |
|---|---|
| 获取收藏夹 JSON 列表 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/fetch_zhihu_collection.py" <收藏夹URL或ID>；优先 API，失败降级 Playwright DOM |
| 获取个人主页点赞/收藏历史 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/fetch_zhihu_history.py" <people URL 或 slug> <起始时间ISO> <输出.json> [--until <结束时间ISO>]；按活动时间保留 interaction_* 元数据，支持断点续跑 |
| 批量抓取正文与图片 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/fetch_zhihu_batch.py" <列表.json> [输出目录] [图片目录]；默认输出目录见「路径约定」 |
| 写入 Obsidian Vault | Bash → python "${CLAUDE_SKILL_DIR}/scripts/write_to_obsidian.py" <文章目录> [Vault路径]；Vault：命令行优先，否则环境变量 OBSIDIAN_VAULT；会先找 <文章目录>/images，否则兼容同级 zhihu_images |
| 写入个人历史到 Obsidian | Bash → python "${CLAUDE_SKILL_DIR}/scripts/write_zhihu_history_to_obsidian.py" <文章目录> <Vault路径> [.]；默认写入 {Vault}/知乎收藏/{分类}/，按 URL 去重更新 |
| 写入失败项清单 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/write_zhihu_failures.py" <Vault路径> <标签>:<progress.json> ...；生成 {Vault}/知乎收藏/抓取失败.md |
| Cookie 失效需人工登录 | Bash → python "${CLAUDE_SKILL_DIR}/scripts/zhihu_relogin.py"（会打开浏览器窗口） |
| 首次登录辅助（可选验证页） | Bash → zhihu_login.py；可选 ZHIHU_VERIFY_URL 或首个参数传入完整 http(s) 链接，见「登录与可选页面验证」 |
| 单篇快速验证 | Bash → fetch_zhihu_api.py / fetch_zhihu_stealth.py / fetch_zhihu_interactive.py / 汇总 fetch_zhihu.py（自动多策略），按场景选用 |
读本地已抓取 Markdown、排查 _progress.json |
Read / Grep |
脚本一览
| 脚本 | 用途 | 典型场景 |
|---|---|---|
fetch_zhihu_collection.py |
收藏夹列表，智能版 | 输出 zhihu_collection_{id}.json |
fetch_zhihu_history.py |
个人历史列表 | 点赞/收藏动态，支持 --until、--fresh、断点续跑 |
fetch_zhihu_batch.py |
批量抓取，推荐 | 大量文章、图片、images/、_progress.json，失败自动重试，DOM 不足时 API 回退 |
fetch_zhihu.py |
自动降级抓取 | 单篇、多策略串联 |
fetch_zhihu_api.py |
API 直连 | 快速测试 |
fetch_zhihu_stealth.py |
Playwright 隐身 | 绕过常见自动化检测 |
fetch_zhihu_interactive.py |
交互式浏览器 | 登录页、验证码 |
write_to_obsidian.py |
写入 Obsidian | 自动检测 Vault、智能分类、知乎收藏/ |
write_zhihu_history_to_obsidian.py |
写入个人历史到 Obsidian | 智能分类、互动元数据、按 URL 去重 |
write_zhihu_failures.py |
写入失败项清单 | 生成 抓取失败.md 方便人工重试 |
zhihu_relogin.py |
重新登录 | Cookie 不可用 |
zhihu_login.py |
登录辅助 | 检测 z_c0；可选访问 ZHIHU_VERIFY_URL / 命令行 URL 做页面级验证 |
zhihu_login_save.py |
登录并保存 | 按需配合 Cookie 流程 |
主流程（推荐执行顺序）
- 安装依赖：
scripts/requirements.txt+ Chromium。 fetch_zhihu_collection.py→ 得到收藏夹 JSON 列表。fetch_zhihu_batch.py→ 生成zhihu_articles_{collectionId}/（含_progress.json、images/、编号*.md）。- （可选）
write_to_obsidian.py→ 同步到{Vault}/知乎收藏/{分类}/。
中断批量任务时：重新运行同一条 fetch_zhihu_batch.py 命令即可续跑（已完成 URL 记录在 _progress.json）。
个人历史流程（点赞 / 收藏）
适用于个人主页动态中的 赞同了回答 / 赞同了文章 / 收藏了回答 / 收藏了文章。时间采用 ISO 格式，建议显式带时区（如 +08:00）；若省略时区，默认按 Asia/Shanghai 解释，可用环境变量 ZHIHU_TIMEZONE 或 TZ 覆盖。
# 1. 收集活动列表（起始时间含，结束时间不含）
python scripts/fetch_zhihu_history.py \
https://www.zhihu.com/people/<slug> \
2026-01-01T00:00:00+08:00 \
/path/to/runtime/zhihu_history_2026-01-01_to_2026-04-05.json \
--until 2026-04-05T00:00:00+08:00
# 2. 抓取正文与图片；失败默认自动重试 3 次
python scripts/fetch_zhihu_batch.py \
/path/to/runtime/zhihu_history_2026-01-01_to_2026-04-05.json \
/path/to/runtime/zhihu_articles_history_2026-01-01_to_2026-04-05
# 3. 写入 Obsidian 的知乎收藏根目录分类文件夹
python scripts/write_zhihu_history_to_obsidian.py \
/path/to/runtime/zhihu_articles_history_2026-01-01_to_2026-04-05 \
/path/to/ObsidianVault \
.
历史笔记会保留：
interaction_action: "赞同了回答"
interaction_time: 2026-03-20T10:17:57.235000+00:00
interaction_date: 2026-03-20
tags: [zhihu, 编程与开发, 赞同了回答]
历史列表中断时重新运行同一条命令即可续跑；加 --fresh 可忽略现有 checkpoint 重建。写入 Obsidian 时会扫描已有笔记的 url 并按 URL 更新，避免重复导入。
路径与输出约定
批量抓取命令格式
python fetch_zhihu_batch.py <列表文件> [输出目录] [图片目录]
| 参数 | 说明 |
|---|---|
| 列表文件 | fetch_zhihu_collection.py 产出的 JSON |
| 输出目录 | 可选；省略时默认为 {workspace}/zhihu_articles_{collectionId}/（collectionId 由列表文件名推导） |
| 图片目录 | 可选；省略时默认为 {输出目录}/images/ |
目录结构示例
zhihu_articles_{collectionId}/
├── _progress.json # 断点续传
├── images/ # 默认图片目录
│ └── ...
├── 0001_文章标题.md
└── ...
单篇文章格式要点
- YAML frontmatter：
title、author、source、url、voteup、images等 - 正文为 Markdown；图片引用指向本地
images/下文件名（或脚本生成的相对路径）
示例结构：
---
title: "文章标题"
author: "作者"
source: zhihu
url: "https://..."
voteup: 123
images: 5
---
# 文章标题
> 作者: xxx | 原文: [知乎链接](https://...)
正文...
持久化文件（默认 workspace）
| 用途 | 路径 |
|---|---|
| Cookie | {workspace}/zhihu_cookies.json |
| Playwright 用户数据 | {workspace}/chrome_user_data/ |
| 默认文章目录 | {workspace}/zhihu_articles_{collectionId}/ |
| 默认图片目录 | {文章输出目录}/images/ |
Obsidian 写入要点
- Vault：① 命令行第二个参数（优先让用户直接写出 Vault 根路径）；② 未传时使用环境变量
OBSIDIAN_VAULT（单个路径）；③ 仍无时脚本按常见目录扫描，多个命中时再交互选择。 - 分类：优先对齐已有
知乎收藏/子目录；否则按内容关键词；无法归类则 「未分类」。 - 落盘：
{Vault}/知乎收藏/{分类}/{文章标题}.md；图片同步规则见write_to_obsidian.py（目标侧常有集中images目录）。
已知问题与对策
| # | 现象 / 原因 | 处理 |
|---|---|---|
| 1 | Cookie 失效：标题「安全验证」、/account/unhuman |
自动恢复：脚本内置 3 次重试（激进保活：访问文章页+模拟阅读）；仍失败则 zhihu_relogin.py |
| 2 | 收藏夹 API 分页：带 include 时列表可能被截断 |
fetch_zhihu_collection.py 已内置 API ↔ DOM 切换；必要时减少 include 或走浏览器分页 |
| 3 | 反爬：Headless 被识别 | Stealth、UA、间隔；必要时 fetch_zhihu_interactive.py |
| 4 | API 正文不完整：include 只给摘要 |
批量与单篇流程中已优先 页面 DOM 拉全文 |
| 5 | 图片下载失败 | 正文仍保留原 URL；排查网络、Referer、过期链接 |
| 6 | Windows 控制台 GBK | 脚本已 sys.stdout.reconfigure(encoding='utf-8') |
| 7 | 批量中断 | 直接再次运行 fetch_zhihu_batch.py，依赖 _progress.json |
| 8 | 失败项累积 | 散发失败自动记录到 _progress.json（含 url/reason/title/timestamp）；连续失败 ≥5 次中断并丢弃缓存；用 --retry-failed 参数可重试 |
Cookie 保活机制
脚本内置多层 Cookie 保活策略：
- 主动 TTL 检测（每篇文章）：解析 z_c0 的
expires字段，剩余 < 30 分钟时自动触发激进刷新 - 常规保活（每 5-8 篇）：访问知乎列表页 + 模拟滚动
- 激进保活（每 ~20 篇）：访问实际文章页 + 模拟阅读（停留 2-5 秒 + 滚动）
- 被动检测：每次访问文章时检查是否被重定向到
/account/unhuman或/signin - 自动恢复：检测到失效时，自动尝试 3 次激进保活恢复
- Cookie 备份：每次保活后自动从浏览器提取最新 Cookie 保存到文件（扩展格式含 expires）
- 安全退出：脚本结束前保存最新 Cookie + 当前进度
失败处理策略
脚本采用两级失败处理，区分「文章本身问题」和「环境问题」：
| 场景 | 行为 | 说明 |
|---|---|---|
| 散发失败（中间有成功） | 记录到 _progress.json 的 failed 字段 |
视为文章本身问题（已删除/不可访问），后续跳过 |
| 连续失败 ≥ 5 次 | 中断抓取，丢弃缓存的失败记录 | 视为环境问题（Cookie/网络），下次重试仍可跑 |
工作原理：
- 失败先缓存在内存中，不立即写入进度文件
- 下一条成功时，将缓存的失败记录批量写入进度文件（确认是文章问题）
- 连续失败达到阈值（5 次）时，中断抓取，丢弃缓存（保留重试机会）
相关常量：
CONSECUTIVE_FAIL_THRESHOLD = 5：连续失败阈值CONSECUTIVE_FAIL_INTERRUPT = True：是否在连续失败时中断
重试模式：
python fetch_zhihu_batch.py <列表文件> [输出目录] [图片目录] --retry-failed
此模式会清空 failed 列表，只重试之前记录为失败的文章。
故障排查流程
正文全空？
→ Cookie（含 z_c0）→ 是否跳转验证页 → zhihu_relogin.py
图片失败？
→ URL/网络/Referer → Markdown 中仍可保留链接
批量中途停止？
→ 确认 _progress.json → 原命令重跑
Agent 自用工作流检查清单
□ 已确认 scripts 依赖与 playwright chromium 可用；必要时提示用户设置 OPENCLAW_WORKSPACE
□ 收藏夹任务：已运行 fetch_zhihu_collection.py 并得到合法 JSON，再执行 fetch_zhihu_batch.py
□ 批量输出路径：知悉默认 {workspace}/zhihu_articles_* 与 images/ 子目录；第三个参数仅在自定义图片目录时需要
□ Obsidian：`write_to_obsidian.py` 的文章目录含 *.md 与 images/；Vault 优先命令行路径或 **`OBSIDIAN_VAULT`**
□ 遇验证页或全文为空：优先 Cookie/重登录，而非重复盲目加大并发
□ 用户仅需单篇或调试：选用 fetch_zhihu_api / stealth / interactive / fetch_zhihu，避免不必要批量