Extract Metadata

Article Metadata Extractor

自动从文章 URL 或内容中提取结构化元数据。

功能

• 📝 自动提取标题、作者、来源
• 📅 识别发布日期
• 🎯 生成 2-3 句摘要
• 🏷️ 智能标签分类（kubernetes、llm、python 等）
• 🔤 提取关键要点（3-7 条）
• 📊 自动分类（技术类/新闻类）
• ⚡ 缓存机制，避免重复 API 调用（7 天 TTL）

目录结构（官方布局）

extract-metadata/
├── SKILL.md          # 本说明与元数据
├── main.py           # 入口启动器（调用 scripts/main.py）
├── requirements.txt
├── scripts/          # 可执行代码
│   └── main.py
├── references/       # 可选：文档与参考
└── assets/           # 可选：模板与资源

使用方法

基本用法

# 从 URL 提取元数据
python main.py https://blog.example.com/article

# 从已有内容提取（跳过网页抓取）
python main.py https://example.com --content "$(cat article.md)"

# 输出 Markdown 格式
python main.py https://example.com --output markdown

# 从管道读取 URL
echo "https://example.com" | python main.py -

# 强制刷新（不使用缓存）
python main.py https://example.com --no-cache

输出格式

JSON 格式（默认）:

{
  "title": "文章标题",
  "author": "作者名",
  "source": "来源网站",
  "publish_date": "2026-01-15",
  "summary": "文章摘要...",
  "tags": ["kubernetes", "llm", "python"],
  "article_type": "technical",
  "key_points": [
    "要点1",
    "要点2"
  ]
}

Markdown 格式:

python main.py https://example.com --output markdown

输出：

# 文章标题

**Author**: 作者名
**Source**: 来源网站
**Date**: 2026-01-15
**Type**: technical

**Tags**: kubernetes, llm, python

## Summary
文章摘要...

## Key Points
1. 要点1
2. 要点2

配置

环境变量

# 必需：Anthropic API Key
export ANTHROPIC_API_KEY=your_api_key_here

# 可选：自定义 API endpoint（例如使用智谱AI）
export ANTHROPIC_BASE_URL=https://open.bigmodel.cn/api/anthropic

# 可选：指定模型
export ANTHROPIC_MODEL=claude-sonnet-4-5-20250929

# 可选：自定义缓存目录
export CLAUDE_SKILLS_CACHE_DIR=~/.cache/claude-skills

Python 依赖

安装依赖：

pip install -r requirements.txt

必需的包：

• anthropic>=0.18.0 - Anthropic Claude API
• requests>=2.31.0 - HTTP 请求
• readability-lxml>=0.8.1 - 网页内容提取（可选）
• beautifulsoup4>=4.12.0 - HTML 解析（可选，fallback）

缓存

元数据提取结果会缓存 7 天，相同内容不会重复调用 API。

缓存位置: ~/.cache/claude-skills/extract-metadata/

清除缓存:

# 使用 --no-cache 强制刷新
python main.py https://example.com --no-cache

# 或手动删除缓存目录
rm -rf ~/.cache/claude-skills/extract-metadata/

架构

extract-metadata/
├── main.py              # 主逻辑
├── SKILL.md             # 文档
└── requirements.txt     # 依赖

核心功能

1. 网页抓取 - 使用 readability-lxml 提取正文内容
2. AI 分析 - 调用 Claude API 提取元数据
3. 缓存 - 避免重复 API 调用
4. 重试机制 - 自动重试失败的请求（3 次，指数退避）

错误处理

• 网页抓取失败: 会显示错误并退出
• API 调用失败: 自动重试 3 次
• JSON 解析失败: 尝试多种模式解析
• 缓存读取失败: 自动降级到 API 调用

使用场景

• 📰 内容聚合 - 自动提取文章元数据构建新闻聚合
• 📚 知识管理 - 为文章添加结构化元数据
• 🔍 内容分析 - 分析文章类型和关键要点
• 🏷️ 标签系统 - 自动为文章打标签
• 📝 摘要生成 - 生成文章摘要用于快速浏览

示例工作流

# 从多个 URL 批量提取元数据
cat urls.txt | while read url; do
  python main.py "$url"
done > metadata.json

# 提取并保存为 Markdown
python main.py https://example.com --output markdown > article.md

# 在脚本中使用
metadata=$(python main.py https://example.com)
title=$(echo "$metadata" | jq -r '.title')
echo "Title: $title"

性能

• 首次提取: ~3-5 秒（包含网页抓取和 API 调用）
• 缓存命中: < 0.1 秒
• 并发支持: 可以同时运行多个实例

许可证

MIT License - 详见 AutoPaper 项目

相关

• AI Info Card Generator - 生成 AI 风格信息卡片
• AutoPaper - 完整的新闻周刊生成工具