news-extractor

SKILL.md

News Extractor Skill

从主流新闻平台提取文章内容，输出 JSON 和 Markdown 格式。

独立可迁移：本 Skill 包含所有必需代码，无外部依赖，可直接复制到其他项目使用。

支持平台 (12)

中文平台

平台
ID
URL 示例

微信公众号
wechat
https://mp.weixin.qq.com/s/xxxxx

今日头条
toutiao
https://www.toutiao.com/article/123456/

网易新闻
netease
https://www.163.com/news/article/ABC123.html

搜狐新闻
sohu
https://www.sohu.com/a/123456_789

腾讯新闻
tencent
https://news.qq.com/rain/a/20251016A07W8J00

国际平台

平台
ID
URL 示例

BBC News
bbc
https://www.bbc.com/news/articles/c797qlx93j0o

CNN News
cnn
https://edition.cnn.com/2025/10/27/uk/article-slug

Twitter/X
twitter
https://x.com/user/status/123456789

Lenny's Newsletter
lenny
https://www.lennysnewsletter.com/p/article-slug

Naver Blog
naver
https://blog.naver.com/username/123456

Detik News
detik
https://news.detik.com/internasional/d-123456/slug

Quora
quora
https://www.quora.com/question/answers/123456

依赖安装

本 skill 使用 uv 管理依赖。首次使用前需要安装：

cd .claude/skills/news-extractor
uv sync

重要: 所有脚本必须使用 uv run 执行，不要直接用 python 运行。

依赖列表

包名
用途

pydantic
数据模型验证

requests
HTTP 请求

curl_cffi
浏览器模拟抓取

tenacity
重试机制

parsel
HTML/XPath 解析

demjson3
非标准 JSON 解析

使用方式

基本用法

# 提取新闻，自动检测平台，输出 JSON + Markdown
uv run .claude/skills/news-extractor/scripts/extract_news.py "URL"

# 指定输出目录
uv run .claude/skills/news-extractor/scripts/extract_news.py "URL" --output ./output

# 仅输出 JSON
uv run .claude/skills/news-extractor/scripts/extract_news.py "URL" --format json

# 仅输出 Markdown
uv run .claude/skills/news-extractor/scripts/extract_news.py "URL" --format markdown

# Twitter 受保护推文 (需要 Cookie)
uv run .claude/skills/news-extractor/scripts/extract_news.py "URL" --cookie "auth_token=xxx; ct0=yyy"

# 列出支持的平台
uv run .claude/skills/news-extractor/scripts/extract_news.py --list-platforms

输出文件

脚本默认输出两种格式到指定目录（默认 ./output）：

{news_id}.json - 结构化 JSON 数据

{news_id}.md - Markdown 格式文章

工作流程

接收 URL - 用户提供新闻链接

平台检测 - 自动识别平台类型

内容提取 - 调用对应爬虫获取并解析内容

格式转换 - 生成 JSON 和 Markdown

输出文件 - 保存到指定目录

输出格式

JSON 结构

{
  "title": "文章标题",
  "news_url": "原始链接",
  "news_id": "文章ID",
  "meta_info": {
    "author_name": "作者/来源",
    "author_url": "",
    "publish_time": "2024-01-01 12:00"
  },
  "contents": [
    {"type": "text", "content": "段落文本", "desc": ""},
    {"type": "image", "content": "https://...", "desc": ""},
    {"type": "video", "content": "https://...", "desc": ""}
  ],
  "texts": ["段落1", "段落2"],
  "images": ["图片URL1", "图片URL2"],
  "videos": []
}

Markdown 结构

# 文章标题

## 文章信息
**作者**: xxx
**发布时间**: 2024-01-01 12:00
**原文链接**: [链接](URL)

---

## 正文内容

段落内容...

![图片](URL)

---

## 媒体资源
### 图片 (N)
1. URL1
2. URL2

使用示例

提取微信公众号文章

uv run .claude/skills/news-extractor/scripts/extract_news.py \
  "https://mp.weixin.qq.com/s/ebMzDPu2zMT_mRgYgtL6eQ"

提取 BBC 新闻

uv run .claude/skills/news-extractor/scripts/extract_news.py \
  "https://www.bbc.com/news/articles/c797qlx93j0o"

提取 Twitter 推文

# 公开推文 (无需认证)
uv run .claude/skills/news-extractor/scripts/extract_news.py \
  "https://x.com/BarackObama/status/896523232098078720"

# 受保护推文 (需要 Cookie)
uv run .claude/skills/news-extractor/scripts/extract_news.py \
  "https://x.com/user/status/123456" --cookie "auth_token=xxx; ct0=yyy"

错误处理

错误类型
说明
解决方案

无法识别该平台
URL 不匹配任何支持的平台
检查 URL 是否正确

平台不支持
非支持的站点
本 Skill 仅支持列出的 12 个平台

提取失败
网络错误或页面结构变化
重试或检查 URL 有效性

认证失败
Twitter Cookie 无效
重新获取 Cookie

注意事项

仅用于教育和研究目的

不要进行大规模爬取

尊重目标网站的 robots.txt 和服务条款

微信公众号可能需要有效的 Cookie（当前默认配置通常可用）

Twitter 公开推文无需认证，受保护推文需要 Cookie

目录结构

news-extractor/
├── SKILL.md                      # [必需] Skill 定义文件
├── pyproject.toml                # 依赖管理
├── references/
│   └── platform-patterns.md      # 平台 URL 模式说明
└── scripts/
    ├── extract_news.py           # CLI 入口脚本
    ├── models.py                 # 数据模型
    ├── detector.py               # 平台检测
    ├── formatter.py              # Markdown 格式化
    └── crawlers/                 # 爬虫模块
        ├── __init__.py
        ├── base.py               # BaseNewsCrawler 基类
        ├── fetchers.py           # HTTP 获取策略
        ├── wechat.py             # 微信公众号
        ├── toutiao.py            # 今日头条
        ├── netease.py            # 网易新闻
        ├── sohu.py               # 搜狐新闻
        ├── tencent.py            # 腾讯新闻
        ├── bbc.py                # BBC News
        ├── cnn.py                # CNN News
        ├── twitter.py            # Twitter/X
        ├── twitter_client.py     # Twitter API 客户端
        ├── twitter_types.py      # Twitter 数据类型
        ├── lenny.py              # Lenny's Newsletter
        ├── naver.py              # Naver Blog
        ├── detik.py              # Detik News
        └── quora.py              # Quora

参考

平台 URL 模式说明