CNBLOGS 精华内容抓取

抓取博客园精华区文章标题和正文，支持指定页数批量下载并保存为纯文本文件。

CNBLOGS 精华内容抓取技能

功能描述

抓取博客园（cnblogs.com）精华区内容，支持分页、批量下载标题和正文。

使用方法

基本用法

# 抓取第 1 页，保存所有文章到指定目录
openclaw cnblogs-pick --page 1 --output-dir /path/to/output

# 抓取前 3 页，保存所有文章
openclaw cnblogs-pick --pages 3 --output-dir /path/to/output

# 抓取指定 URL 的精华列表
openclaw cnblogs-pick --url https://www.cnblogs.com/pick/ --pages 2

参数说明

参数	类型	必填	默认值	说明
--url	string	否	https://www.cnblogs.com/pick/	精华列表页 URL
--page	int	否	1	单页抓取页数（仅当 --pages 未指定时有效）
--pages	int	否	1	总页数（优先于 --page）
--output-dir	string	否	~/.openclaw/workspace/user_cnglobs/	输出目录
--agent	string	否	Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:149.0) Gecko/20100101 Firefox/149.0	User-Agent

输出格式

每篇文章保存为独立文件，命名格式：

{标题}.txt

标题中的特殊字符会被替换为下划线。

工作流程

1. 获取列表页：使用 curl 下载指定页数的精华列表
2. 提取链接：解析 HTML，提取所有 post-item-title 类链接
3. 下载详情：逐个打开详情页面
4. 提取正文：获取 cnblogs_post_body 内容并去除 HTML 标签
5. 保存文件：按标题命名保存到输出目录

示例

# 抓取前 5 页精华内容
openclaw cnblogs-pick --pages 5 --output-dir /tmp/cnb-pick

# 查看结果
ls -lh /tmp/cnb-pick/

依赖工具

• curl - HTTP 请求
• grep -oP - Perl 正则表达式
• sed - 文本处理

注意事项

1. 部分文章可能因反爬机制失败
2. 大页面可能超出 token 限制
3. 建议先测试单页再批量处理

更新日志

• v1.0.0: 初始版本，支持单页抓取
• v1.1.0: 支持多页批量抓取
• v1.2.0: 优化错误处理和日志输出