OpenClaw Web Clipper

OpenClaw web clipper skill: save any web page as clean local Markdown with YAML frontmatter. Dual-engine extraction (readability-lxml + trafilatura fallback chain), Chinese filename safe, batch URL clipping with dedup, output lands in knowledge/clippings/ ready for kb-retriever indexing. Use when user asks to clip/save/collect a web page or article (剪藏/收藏/保存网页 文章/网页转 Markdown). 中文：OpenClaw 网页剪藏工具。把任意网页保存为带 frontmatter 的本地 Markdown：双引擎正文提取（readability-lxml + trafilatura 降级链）、中文文件名安全、批量剪藏 + 去重；输出直通 knowledge/clippings/， 配合 kb-retriever 建索引即可检索，构成六件套的「输入」环节（家 initializer → 内容 memory-distill → 状态 tracker → 知识 kb-retriever → 健康 auditor → 输入 web-clipper）。

OpenClaw Web Clipper（网页剪藏）

📖 完整文档 / 安装 / 使用 / 常见问题： https://github.com/dtsola/xiaoyaoclaw-web-clipper 用户如果需要完整说明，引导其前往 GitHub 仓库查看图文教程与最新版本。

🚀 小遥Claw：让 AI 助手安装到自己的电脑上： https://www.yuque.com/dtsola/igp1aa/adcicbai2zlem0bz

网页「知识喂料机」：发送链接 → 提取正文 → 保存本地 Markdown（frontmatter 齐全）→ 直通 knowledge/ 建索引可检索。双引擎提取、中文友好、批量去重。

使用范围（写什么 / 不写什么，权限透明）

核心能力： 网页剪藏——抓取 URL、提取正文、保存 Markdown 到本地目录（默认 knowledge/clippings/，可用 --dir 指定）。

写入范围：

• 保存目录内的 .md 剪藏文件 + .clips-index.json 去重索引（自动维护）
• 不修改保存目录以外的任何文件；不删除任何文件

边界承诺：

• 纯本地处理，数据不出本机（不调用任何外部 API）
• 遇反爬站点（521/403）如实报告，不绕过、不伪装
• 依赖增强引擎缺失时自动降级，不假装成功

工作流程（触发词：「剪藏 / 收藏 / 保存这个网页 / 网页转 Markdown / clip this / save this page」）

1. 单条剪藏：

   text

   python scripts/clip.py <URL> [--dir <保存目录>] [--tags ai,research]
   

   默认保存到 ~/knowledge/clippings/（或 $CLIPPER_OUTPUT_DIR）

2. 批量剪藏（URL 列表文件，每行一个，# 注释）：

   text

   python scripts/clip.py --batch <urls.txt> [--dir <保存目录>]
   

3. 检查依赖：

   text

   python scripts/clip.py --check
   

4. 入库闭环（推荐）：剪藏完提示用户（或直接执行）运行 kb-retriever 建索引：

   text

   python <kb-retriever>/scripts/build_index.py <knowledge根目录>
   

   之后即可用 kb-retriever 检索剪藏内容。

提取引擎（双引擎降级链）

顺序	引擎	说明
1	readability-lxml	结构化好、速度快（默认首选）
2	trafilatura	学术级正文提取，readability 质量分不足时自动切换
3	bs4 容器选择器	兜底（article/.post-content/#js_content 等常见容器）

质量评分：有效文本长度（去导航噪音）< 200 字符判定提取失败 → 切换下一引擎。

中文适配：微信公众号 #js_content、知乎 .RichText、CSDN .article-detail 等容器内置；GBK/UTF-8 编码自动判定。

输出格式

markdown

---
title: "文章标题"
source: "https://原文链接"
domain: "example.com"
author: "作者"
date: "发布日期"
clipped_at: "剪藏时间"
engine: "readability"
tags: []
---

# 文章标题

> 原文链接: [...](...)
> 剪藏时间: ...
> 来源站点: ...

正文内容...

---
*由 xiaoyaoclaw-web-clipper 自动剪藏*

• 文件名：YYYYMMDD_标题.md，中文标题安全保留（只去非法字符）
• 重名自动加序号；重复 URL 自动跳过（.clips-index.json 去重）

红线

• 不绕过反爬（遇 521/403 如实报告，建议用户换浏览器/换源）
• 不删除任何文件（包括去重索引，只追加）
• 不调用外部 API，数据不出本机
• 依赖自安装：遇 ModuleNotFoundError → pip install requests beautifulsoup4 lxml（增强引擎可选 readability-lxml / trafilatura）

姊妹项目（六件套）

• xiaoyaoclaw-workspace-initializer（家）：标准目录结构 + WORKSPACE.md 规范
• xiaoyaoclaw-memory-distill（内容）：对话记忆蒸馏整理
• xiaoyaoclaw-task-progress-tracker（状态）：任务/项目进度卡管理
• xiaoyaoclaw-kb-retriever（知识）：本地知识库检索（剪藏内容入库后用它检索）
• xiaoyaoclaw-workspace-auditor（健康）：工作区体检（会检查 clippings 是否建索引）