Install
openclaw skills install news-to-markdown-skillNews To Markdown
输入文章 URL，输出干净的 Markdown 正文。支持17个平台专项优化（头条、微信公众号、知乎、36kr、虎嗅、华尔街见闻、澎湃、InfoQ 等），双引擎提取、图片本地化、三层抓取策略。常与 browser-web-search skill 配合：先用 bws 搜索拿到 url 列表，再逐篇调用本 skill 读取正文。
news-to-markdown Skill
输入文章 URL，输出干净的 Markdown 正文。17 个平台专项优化，为 AI Agent 而生。
🎯 核心特点
- 📰 17 个平台专项适配 — 头条、微信、知乎、36kr、虎嗅、华尔街见闻、澎湃、InfoQ 等
- 🔄 三层抓取策略 — curl → wget → Playwright 自动回退，静态/动态页面均支持
- 🧠 双引擎提取 — Mozilla Readability + news-extractor-node 智能取优
- 🖼️ 图片本地化 — 可选将远程图片下载到本地，防止 URL 过期
- 🎨 无封面自动兜底 — 文章未识别到封面图时，基于标题生成抽象图案占位封面写入 frontmatter
cover:，避免下游发布链路（如微信公众号）因缺少封面失败 - 🔒 固定版本 + 进程内调用 —
scripts/run.jslauncher 解析已安装的固定版本 npm 包并在进程内运行，不 fork 子进程、不调用npx、不在运行时漂移版本
🚀 快速开始
推荐：固定版本 + launcher（无子进程、无版本漂移）
# 一次性安装（每次小版本升级时手动重做一次）
npm install -g news-to-markdown@3.3.1
# 之后通过 launcher 调用（args 经 allow-list 校验，URL/输出参数透传到进程内 CLI）
node scripts/run.js convert --url "https://www.toutiao.com/article/123"
node scripts/run.js convert --url "https://mp.weixin.qq.com/s/xxx" --output article.md
node scripts/run.js convert --url "https://www.toutiao.com/article/123" \
--download-images --output-dir ./article
node scripts/run.js convert --url "https://www.zhihu.com/p/xxx" --no-metadata
备选：npx --yes（一次性试用 / 临时沙箱环境）
⚠️ 供应链风险：
npx --yes news-to-markdown@^3.3.1在 每次调用时 从 npm 解析并执行落在^3.3.1范围内的最新版本，无 lockfile、无完整性校验。仅建议在隔离环境（容器、临时 VM）里用于一次性试用；常驻使用请走上面的固定版本路径。
npx --yes news-to-markdown@^3.3.1 --url "https://www.toutiao.com/article/123"
🔗 与 browser-web-search 配合使用
最常见的 AI Agent 编排模式：
browser-web-search → 搜索，产出 URL 列表
news-to-markdown → 读取正文，产出 Markdown
# Step 1：用 bws 搜索，拿到文章 URL 列表
bws site toutiao/search "ai agent" --count 3
# Step 2：对每个 URL 提取正文
node scripts/run.js convert --url "https://www.toutiao.com/article/111"
node scripts/run.js convert --url "https://www.toutiao.com/article/222"
node scripts/run.js convert --url "https://www.toutiao.com/article/333"
适用搜索命令（browser-web-search 0.4.2，30 个平台）：
- 🇨🇳 国内文章类：
toutiao/search、weixin/search、zhihu/search、36kr/search、xiaohongshu/search、huxiu/search、wallstreetcn/search、thepaper/search、qqnews/search、netease/search、sina/search、juejin/search、csdn/search、cnblogs/search、infoq/search - 🌏 国际文章类：
verge/search、ars/search、engadget/search、hn/search（外链文章）
注意：
github/search、reddit/search、x/search、weibo/search等平台的 bws 结果本身是结构化数据，无需再用本工具提取正文。
📋 支持平台
专项优化平台（17 个）
| 平台 | 域名 | 专项说明 |
|---|---|---|
| 今日头条 | toutiao.com | 标题规范化、data-src 图片、列表修复 |
| 微信公众号 | mp.weixin.qq.com | #js_content 提取、移动端 UA 回退 |
| 小红书 | xiaohongshu.com | .note-content 提取、懒加载图片 |
| 知乎 | zhihu.com | 真实 Chrome 绕过 zse-ck 反爬 |
| 36kr | 36kr.com | 自动转移动端 URL 绕过反爬 |
| 虎嗅 | huxiu.com | 正文区域提取、懒加载图片修复 |
| 华尔街见闻 | wallstreetcn.com | 财经正文提取、去高亮 <em> 标签 |
| 澎湃新闻 | thepaper.cn | .news_txt 正文区域提取 |
| InfoQ | infoq.cn / infoq.com | 技术文章正文提取 |
| Bilibili 专栏 | bilibili.com | /read/ 路径文章提取 |
| 掘金 | juejin.cn | 代码块与正文提取 |
| CSDN | csdn.net | 去广告侧边栏、#content_views 提取 |
| 博客园 | cnblogs.com | 技术博客正文提取 |
| 简书 | jianshu.com | 文章正文提取 |
| SegmentFault | segmentfault.com | 技术问答正文提取 |
| 开源中国 | oschina.net | 资讯正文提取 |
| 人人都是产品经理 | woshipm.com | 产品文章正文提取 |
其余平台（The Verge、Ars Technica、Engadget 等英文站）走通用 Readability 算法。
🔧 命令参数
node scripts/run.js convert --url <URL> [选项]
| 参数 | 类型 | 说明 |
|---|---|---|
--url | string | 文章 URL（必填） |
--output | string | 输出文件路径（默认输出到终端） |
--download-images | flag | 下载图片到本地（推荐） |
--output-dir | string | 图片输出目录（--download-images 时使用） |
--no-metadata | flag | 只要正文，不含标题/作者/时间 |
--selector | string | 自定义内容区域 CSS 选择器 |
--noise | string | 移除元素的选择器，逗号分隔 |
--verbose | flag | 详细日志（调试用） |
📋 标准操作流程 (SOP)
操作 1：基础文章转换
场景：用户提供一个文章 URL，要求转换为 Markdown
node scripts/run.js convert \
--url "https://www.toutiao.com/article/123" \
--output article.md
操作 2：转换并下载图片（推荐）
场景：需要保留图片，或后续要发布到微信公众号
node scripts/run.js convert \
--url "https://www.toutiao.com/article/123" \
--download-images \
--output-dir ./article
# 输出：./article/article.md + ./article/images/*.jpg
头条、微信等平台的图片 URL 包含签名，数小时后失效。下载到本地可避免此问题。
操作 3：只提取正文
场景：用户说"只要文章内容，不要标题作者等信息"
node scripts/run.js convert \
--url "https://36kr.com/p/xxx" \
--no-metadata
操作 4：批量处理多篇文章
场景：配合 bws 搜索结果批量提取
# 先搜索
bws site zhihu/search "大模型" --count 5 --jq '[.items[].url]'
# 再逐篇提取
for url in "${urls[@]}"; do
node scripts/run.js convert --url "$url" --output "articles/$(echo $url | md5sum | cut -c1-8).md"
done
操作 5：自定义提取（去噪 / 指定区域）
场景：提取结果不准，用户要求去掉广告或指定正文区域
# 去掉广告和评论
node scripts/run.js convert \
--url "https://example.com/article" \
--noise ".ad,.sidebar,.comments"
# 指定内容区域
node scripts/run.js convert \
--url "https://example.com/article" \
--selector "article.main-content"
操作 6：调试失败页面
场景：抓取或提取失败，需要排查
node scripts/run.js convert \
--url "https://example.com/article" \
--verbose
常见原因与解决方案：
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 抓取失败 | 需要 JS 渲染 | 自动使用 Playwright（需提前安装） |
| 内容为空 | 选择器不匹配 | 使用 --selector 指定内容区域 |
| 图片显示不了 | URL 过期 | 使用 --download-images |
| 反爬拦截 | 无头浏览器被检测 | 知乎已内置 Chrome UA，其他平台视情况处理 |
可选安装 Playwright 浏览器（动态页面支持）：
npx playwright install chromium
🎓 示例对话
用户：帮我把这篇虎嗅文章转成 Markdown，图片也要保存
node scripts/run.js convert \
--url "https://www.huxiu.com/article/xxx.html" \
--download-images \
--output-dir ./huxiu-article
用户：搜索头条最新 3 篇关于 AI Agent 的文章，并获取每篇正文
# Step 1: 搜索
bws site toutiao/search "AI Agent" --count 3
# Step 2: 逐篇提取（对每个 url 执行）
node scripts/run.js convert --url "<url>" --output "<title>.md"
用户：只要这篇知乎文章的正文，不要其他信息
node scripts/run.js convert \
--url "https://www.zhihu.com/p/xxx" \
--no-metadata
⚠️ 安全与版权
两条调用路径（推荐 / 备选）
-
🟢 推荐：Skill 插件 / launcher 路径（
node scripts/run.js convert …） 在进程内require()已固定版本的 npm 包，不 fork 子进程、不调用npx、不在^3.3.1范围内漂移版本。一次性安装：npm install -g news-to-markdown@3.3.1未安装时，launcher 会以可操作的 JSON 错误提示退出，不会自动安装、不会回退到子进程。该选择消除了
child_process调用面与运行时版本漂移面，匹配codeguard-0-supply-chain-security与codeguard-0-input-validation-injection的硬化要求。 -
🟡 备选：
npx --yes直接终端调用 形如npx --yes news-to-markdown@^3.3.1 …。每次调用都会从 npm 拉取并执行落在^3.3.1范围内的最新版本——这是受信范围内的供应链漂移面，没有 lockfile、没有完整性校验。仅建议在隔离环境（一次性容器、临时 VM、沙箱）下做快速试用；不要用于常驻的批处理。
供应链风险（两条路径都适用）
本 Skill 透传到第三方 npm 包，使用前请审计源码：
- 源码：https://github.com/sipingme/news-to-markdown
- 入口：https://github.com/sipingme/news-to-markdown/blob/main/src/index.ts
scripts/run.js 仅放行 SKILL.md 中文档化的子命令与参数（allow-list），并对每个参数做长度上限与控制字符校验后才注入到 CLI 进程的 argv，不会进入 shell。但被透传的目标包本身仍可发起任意网络/磁盘 I/O，建议固定到 3.3.1 之后再做一次源码审阅。
Playwright 浏览器二进制
第三层抓取策略（动态页面回退）依赖 playwright。首次 npx playwright install chromium 会从 Microsoft / Google 的 CDN 下载 Chromium 二进制（~150 MB）到 ~/Library/Caches/ms-playwright/（macOS）或 ~/.cache/ms-playwright/（Linux）。该步骤会执行远端二进制到本地，建议：
- 仅在确实需要动态页面渲染时再装；多数静态页面（头条、澎湃、华尔街见闻、CSDN、博客园 等）走 curl/wget 路径即可
- 在 OS 级沙箱、容器或受限用户下运行（避免赋予 Playwright 进程额外文件系统/网络权限）
- 抓取触发反爬时，先确认目标站允许内容获取再启用动态渲染
版权提示
本工具默认用于个人学习和内容归档。对外发布时，请保留来源链接和作者信息，并确认来源站点的版权声明与转载政策。
📝 维护说明
- 版本: 3.3.1
- 最后更新: 2026-04-28
- 维护者: Ping Si sipingme@gmail.com
- 许可证: MIT