huxiaoqiao URL Reader - 智能网页内容读取器
一键读取任意URL的内容，自动识别平台类型，智能选择最佳读取策略，自动保存内容和图片到本地。
默认保存目录
/Users/ys/laoyang知识库/nickys/素材/
保存格式：
素材/
└── 2026-01-30_文章标题/
├── content.md # Markdown内容
├── img_01.webp # 图片1
├── img_02.webp # 图片2
└── ...
核心技术方案
三层读取策略（自动降级）
┌─────────────────────────────────────────────────────────────────┐
│ URL Reader 技术架构 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ 用户输入 URL │
│ ↓ │
│ ┌─────────────┐ │
│ │ 平台识别器 │ → 识别URL所属平台（微信/小红书/淘宝等） │
│ └─────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────────┐│
│ │ 策略选择器 ││
│ │ ┌───────────┐ ┌───────────┐ ┌───────────┐ ││
│ │ │ 策略1 │ │ 策略2 │ │ 策略3 │ ││
│ │ │ Firecrawl │→│ Jina │→│ Playwright │ ││
│ │ │ (首选) │ │ (备选) │ │ (兜底) │ ││
│ │ └───────────┘ └───────────┘ └───────────┘ ││
│ └─────────────────────────────────────────────────────────────┘│
│ ↓ │
│ ┌─────────────┐ │
│ │ 内容提取器 │ → 提取标题、正文、作者、时间等 │
│ └─────────────┘ │
│ ↓ │
│ ┌─────────────┐ │
│ │ 格式化输出 │ → Markdown 格式 │
│ └─────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
策略1：Firecrawl API（首选）
特点：
- AI 驱动的网页抓取
- 自动处理 JavaScript 渲染
- 自动绕过反爬机制
- 直接返回干净的 Markdown
- 支持 96% 的网站
API 调用：
from firecrawl import Firecrawl
app = Firecrawl(api_key="fc-YOUR_API_KEY")
result = app.scrape(url, formats=["markdown"])
定价：
- 免费：500 页/月
- 付费：按量计费
策略2：Jina Reader API（备选）
特点：
- 完全免费
- 无需 API Key
- 支持动态渲染
- 返回 Markdown 格式
使用方式：
https://r.jina.ai/{原始URL}
策略3：Playwright 浏览器自动化（兜底）
特点：
- 支持登录态保持
- 可处理任何网站
- 需要首次手动登录
适用场景：
- 微信公众号（需要登录）
- 需要登录的平台
- 前两种策略都失败时
使用方式
方式1：直接对话
用户：帮我读取这个链接 https://mp.weixin.qq.com/s/xxxxx
用户：看看这个小红书 https://www.xiaohongshu.com/explore/xxxxx
用户：读一下这个网页 https://example.com/article
方式2：命令行调用
/url-reader https://example.com/article
支持的平台
| 平台 | 域名 | 推荐策略 | 备注 |
|---|---|---|---|
| 微信公众号 | mp.weixin.qq.com | Firecrawl → Playwright | 可能需要登录 |
| 小红书 | xiaohongshu.com | Firecrawl → Jina | 短链接需解析 |
| 今日头条 | toutiao.com | Firecrawl → Jina | - |
| 抖音 | douyin.com | Firecrawl | 提取视频描述 |
| 淘宝 | taobao.com | Firecrawl → Playwright | 可能需要登录 |
| 天猫 | tmall.com | Firecrawl → Playwright | 可能需要登录 |
| 京东 | jd.com | Firecrawl → Jina | - |
| 百度 | baidu.com | Firecrawl → Jina | - |
| 知乎 | zhihu.com | Firecrawl → Jina | - |
| 微博 | weibo.com | Firecrawl → Playwright | 可能需要登录 |
| B站 | bilibili.com | Firecrawl → Jina | - |
| 通用网站 | * | Firecrawl → Jina | - |
工作流程
1. 接收 URL
2. 识别平台类型
3. 选择读取策略：
├─ 尝试 Firecrawl API
│ ├─ 成功 → 返回内容
│ └─ 失败 → 继续
├─ 尝试 Jina Reader
│ ├─ 成功 → 返回内容
│ └─ 失败 → 继续
└─ 尝试 Playwright（需要登录态）
├─ 有登录态 → 读取内容
└─ 无登录态 → 提示用户设置
4. 提取核心内容
5. 格式化输出
输出格式
# [文章标题]
**来源**：[平台名称]
**作者**：[作者名称]
**发布时间**：[时间]
**原文链接**：[URL]
---
[正文内容]
---
**互动数据**（如有）：
- 阅读/播放：xxx
- 点赞：xxx
- 评论：xxx
配置说明
Firecrawl API Key 配置
- 访问 https://www.firecrawl.dev/ 注册账号
- 获取 API Key
- 配置方式（优先顺序）：
- 环境变量：
export FIRECRAWL_API_KEY="fc-..." - 项目根目录
.env：在self-media-workflow根目录下的.env中设置FIRECRAWL_API_KEY=... - 直接传参（不推荐）
- 环境变量：
Playwright 登录态设置（可选）
用于需要登录的平台（如微信公众号）：
cd ~/.claude/skills/url-reader
source .venv/bin/activate
python scripts/wechat_reader.py setup
目录结构
url-reader/
├── skill.md # 本文档
├── metadata.json # 元数据
├── scripts/
│ ├── url_reader.py # 主读取器（整合三种策略）
│ ├── firecrawl_reader.py # Firecrawl 策略
│ ├── jina_reader.py # Jina 策略
│ ├── wechat_reader.py # Playwright 策略（微信）
│ └── url_identifier.py # URL 平台识别器
└── data/
└── wechat_auth.json # 微信登录态（自动生成）
依赖安装
cd ~/.claude/skills/url-reader
python3 -m venv .venv
source .venv/bin/activate
# 核心依赖
pip install firecrawl-py requests
# Playwright（可选，用于需要登录的平台）
pip install playwright
playwright install chromium
常见问题
Q: 为什么有些网站读取失败？
A: 可能原因：
- 网站有强反爬机制 → 尝试 Playwright
- 需要登录 → 设置登录态
- 内容已删除 → 无法读取
Q: Firecrawl 免费额度用完了怎么办？
A:
- 自动降级到 Jina Reader（免费）
- 或升级 Firecrawl 付费计划
Q: 微信公众号总是读取失败？
A: 微信反爬最严格，建议：
- 使用 Playwright + 登录态
- 或手动复制内容
版本历史
- v2.0：整合 Firecrawl + Jina + Playwright 三层策略
- v1.1：添加 Playwright 浏览器自动化
- v1.0：基础功能