fetch2word
/fetch2word
Pobiera artykuły WeChat z listy linków i składa je w dokumenty Word wg stałego szablonu, z obrazami w tekście.
- Autor
- bexino ↗
- Repozytorium
- fetch2word ↗
- Licencja
- AGPL-3.0
- Ostatnia zmiana repozytorium
- 09.11.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 9
- Skrypty
- 5
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 09.11.2026, bez odwołań do wycofanych modeli i API.
AGPL-3.0, copyleft: przeróbki udostępniane innym muszą mieć tę samą licencję.
- 5 skryptów w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.
Skrypty: scripts/check_output.py, scripts/filters.py, scripts/shorten_titles.py, scripts/title_naming.py, scripts/wx2docx.py
Co robi i kiedy
Pobiera artykuły WeChat z listy linków i składa je w dokumenty Word wg stałego szablonu, z obrazami w tekście.
Oryginalny opis (EN)
把微信公众号推文批量抓取并按内置 Word 模板生成文档。当用户给出 mp.weixin.qq.com 链接清单(txt 或逐条粘贴),要求按固定版式排版、正文图片内嵌、剔除 gif 装饰与低清图标、剔除文末二维码与开头装饰素材、屏蔽文末 END、删除空行,并按 yyyy.mm.dd(简化标题).docx 命名归档时使用。
Jak działa
- 何时使用
- 版式:内置,无需准备模板
- 目录约定(禁止写死绝对路径)
- 输出规格(固定规则;仅「是否简化标题」提供开关)
- 快速开始
- 硬规则(按优先级)
- 交付前自检
- 深入细节
Podgląd SKILL.md
---
name: fetch2word
description: 把微信公众号推文批量抓取并按内置 Word 模板生成文档。当用户给出 mp.weixin.qq.com 链接清单(txt 或逐条粘贴),要求按固定版式排版、正文图片内嵌、剔除 gif 装饰与低清图标、剔除文末二维码与开头装饰素材、屏蔽文末 END、删除空行,并按 yyyy.mm.dd(简化标题).docx 命名归档时使用。
agent_created: true
---
# fetch2word:公众号推文 → 模板化 Word
## 何时使用
- 用户给一批 `mp.weixin.qq.com/s/...` 链接,要求转成 Word
- 要求套用**固定版式**(页边距、字号、标题写法一致)
- 要求图片内嵌,但**不要 gif 装饰、不要低清小图标、不要空行**
- 要求**去掉文末二维码、开头红旗礼花这类装饰素材、以及文末的 END 标记**
- 要求文件名 `yyyy.mm.dd(标题).docx` 并归到产出目录
**不适用**:需要改写正文内容、需要保留音频/视频/投票等互动元素、非公众号站点。
## 版式:内置,无需准备模板
模板随 skill 分发,位于 `assets/template.docx`,脚本默认使用它。**不需要**在项目里放 `模板/` 目录,也不需要传 `--template`。
这份模板已脱敏:机构名统一为「某某职业学院 / 某某学院」,人名统一为「张某某」式,配图为同尺寸占位图;**页面尺寸、页边距、段落格式、字号字重、图片位置与尺寸与原始模板逐项一致**。
只有确实要换版式时才用 `--template <path>` 覆盖——那是例外,不是常规动作。
## 目录约定(禁止写死绝对路径)
| 用途 | 位置 | 说明 |
|---|---|---|
| 链接清单 | `链接/<月份>.txt` | 一行一个 URL,可含「排序:从旧到新」提示行 |
| 产出 | `产物/<月份>/` | 由 `--out` 指定 |
## 输出规格(固定规则;仅「是否简化标题」提供开关)
### 文件名
```
文件名:yyyy.mm.dd(简化标题).docx
```
- `yyyy.mm.dd` 取文章发布日期(`var createTime`),**不是**运行日期
- 括号里是**简化标题**,不是原文标题——原文标题动辄 30 字,文件名没法看
- **默认开启简化**;要原文标题就加 `--no-summarize`(见下)
- 标题中的 Windows 非法字符 `\ / : * ? " < > |` 会被剔除
- 简化标题默认 ≤ 12 字(`--name-max` 可调)
- `check_output.py` 用 `^\d{4}\.\d{2}\.\d{2}\(.+\)\.docx$` 校验格式,
并检查括号内不超过 16 字(超了说明根本没简化)
示例:
```
情暖重阳,爱满新才!机电与建筑工程学院志愿者赴青山路街道新才社区传递敬老温情
→ 2025.10.11(青山路街道敬老).docx
我为同学办实事|清洗空调滤网,守护夏日“呼吸健康”
→ 2025.10.12(清洗空调滤网).docx
```
### 简化标题怎么来(默认路径)
`title_naming.short_title()` 是纯规则、纯字符串处理:**只看标题这一行字**,
不读正文、不额外抓页面、不调用模型。切片段 → 丢掉口号抒情段 → 剥掉机构名和
「赴/走进」这类引导动作 → 去掉尾巴上的煽情词 → 裁到上限。
规则给的是「还过得去」的底线。AI 觉得某几篇简化得别扭时,用映射表覆写:
```bash
# 1) 只列标题(几秒钟,不重抓、不重排版)
python <skill>/scripts/shorten_titles.py --out "产物/10月" --list
# 2) AI 只读这些标题,写 命名.tsv(每行「原文标题<TAB>简化名」,URL 也行)
# 3) 按映射改名,docx 内容一个字节都不动,清单同步更新
python <skill>/scripts/shorten_titles.py --out "产物/10月" --apply "命名.tsv"
```
也可以在第 1 次生成时直接给 `--names 命名.tsv`,免去二次改名。
映射表优先级高于规则;没命中的篇目维持原样。
### 不要简化:`--no-summarize`
```bash
python <skill>/scripts/wx2docx.py --links "链接/10月.txt" --out "产物/10月" --no-summarize
```
- 文件名回到「原文标题(去栏目前缀)」,最长 60 字截断
- 此时 `--name-max` 与 `--names` 映射表都忽略(简化整个关掉)
- 自检要同步关掉长度项:`check_output.py --out "产物/10月" --name-max 0`
(否则会被判「标题未简化」)
### 日期行
```
yyyy.mm.dd(发出日期)
```
**(发出日期)四个字是硬约束**:写在 `DATE_NOTE` 常量里,既不读参数、也没有开关,`--date-note` 参数已移除。`check_output.py` 用
`^\d{4}\.\d{2}\.\d{2}(发出日期)$` 逐字校验,缺一个字即判不合规。
这样无论在哪台机器、哪个目录、谁来跑,生成结果的日期行都一致。
## 快速开始
```bash
python -m pip install python-docx beautifulsoup4 lxml pillow
python <skill>/scripts/wx2docx.py \
--links "链接/10月.txt" \
--out "产物/10月"
```
| 参数 | 默认 | 作用 |
|---|---|---|
| `--column` | `学院动态` | 标题无栏目前缀时补的前缀;`""` 不补 |
| `--sort` | `auto` | 读清单里的排序提示;可 `asc`/`desc`/`none` |
| `--names` | 无 | 简化标题映射表(两列,Tab/逗号分隔),优先级高于内置规则 |
| `--no-summarize` | 关 | **关掉文件名标题简化**,直接用原文标题 |
| `--name-max` | 12 | 简化标题的字数上限;`--no-summarize` 时不生效 |
| `--keep-gif` | 关 | 保留 gif |
| `--no-heading` | 关 | 关闭小标题识别,全部按正文输出 |
| `--min-px` | 200 | 最长边低于此值视为装饰图标 |
| `--min-area` | 40000 | 像素面积低于此值视为低清装饰图 |
| `--alpha-frac` | 0.10 | 透明像素占比超过此值即判为装饰贴图,**全文生效**;别往下调太低,会误删带透明边的拼图 |
| `--workers` | 8 | 并发数 |
| `--cache` | 系统临时目录 | 保留中间产物便于复跑排错 |
| `--template` | 内置 | 仅特殊情况下覆盖版式 |
产出:docx + `_manifest.csv`(文件名 / 日期 / 标题 / 简化标题 / 内嵌图数 / 跳过数 / 跳过明细 / 原文链接)。
## 硬规则(按优先级)
1. **版式跟随内置模板**:页边距、字号、加粗、图片版心宽度由 `read_template_spec()` 从模板读出,代码里不写死数值。
2. **清空正文必须保留 `w:sectPr`**,否则页面尺寸退回 Letter。
3. **删图只能按「XML 实际引用的 rId 集合」反查回收**,绝不按段落逐个 `drop_rel`——同一张图可能复用同一 rId,逐个删会留下悬空引用(Word 里是红叉)。
4. **日期行固定为 `yyyy.mm.dd(发出日期)`**,硬编码在 `DATE_NOTE`,不提供任何参数或开关,且必须被自检逐字校验。
5. **删除所有完全空的段落**(无文字、无图片)。
6. **gif 一律当装饰删除**,按文件头 `GIF8` 判定,别只信后缀。
7. **低清图当装饰删除**:最长边 < `--min-px` 或面积 < `--min-area`。
8. **图片下载要重试 + 原图回退**:`/640?` 被拒换 `/0?` 再试,最多 3 次。
9. **丢图必须报警**,终端与清单都要列出,不许静默跳过。
10. **文件名里的标题必须是简化标题**:默认走 `title_naming.short_title()` 规则简化,
格式 `yyyy.mm.dd(简化标题).docx`;需要原文标题时显式加 `--no-summarize`,
不许默默拿 40 字长标题当文件名。简化只允许看标题字符串,**不许为了起名字去读正文或重抓页面**。
栏目前缀仍统一用 `||` 分隔(`学院动态||xxx`),文件名只取 `||` 之后的标题部分。
11. **正文段落一律首行缩进 2 字符**。用 `w:ind@firstLineChars="200"` 为主(Word 按“字符”算),同时写 `w:firstLine` 作 twips 兜底,保证 Word/WPS/LibreOffice 一致。**小标题、日期行、标题行、图片段落都不缩进**。
12. **序号块要和标题合并成一行**。公众号常把「05」和「选拔原则」拆成两段,落到 Word 会断成两行。识别到纯序号块(`05`/`5`/`一、`/`(二)`/`附件1`)紧跟短标题时,合并为「05 选拔原则」,并沿用标题样式(小标题,不是正文)。
13. **小标题要保留层级,不要拍平**。公众号小标题多为 `<section>` 内近乎全文加粗、短句、居中(如「活动第一项:升国旗,奏国歌」)。判定条件:长度 ≤40 字、句末不带 `。!?`、加粗覆盖率 ≥85%。命中后一律**居左**:加粗 + 正文字号 +1 为一级,加粗 + 正文字号 +0 为二级;一级另加段前后 6pt。**不要居中**,居中会破坏模板整体观感。误判时用 `--no-heading` 全部按正文输出。
14. **文末 END 标记必须删掉**。不只 `END` 三个字母——`-END-`、`——END——`、`(完)`、`THE END`、`全文完`、`END.` 都算。判据写在 `filters.is_end_marker()`:先剥掉空白与中英文标点,再比核心词。**只在文末生效**:END 之后若还有正文,说明它不是结束标记,原样保留(宁可不删也不误删正文)。END 之后仅剩图片/二维码时,一并清掉。
15. **二维码必须删掉,且不能靠尺寸判**。公众号文末二维码常见 258×258、260×260,既过得了 `--min-px 200`,面积也远超 `--min-area 40000`,按尺寸永远删不掉。改用结构判据(`filters.is_qr_code()`):**近正方形(长宽比 0.80~1.25)+ 黑白二值化纯度高(近黑近白占比 ≥85%)+ 横向跳变密集(≥6%)**,三条同时满足才判定。中心压了 logo 的二维码照样命中;实拍照片、横幅、表格图都过不了这三条。
16. **透明底装饰素材要全文删,不只看开头**:正文中间夹的艺术字、枫叶、分割条贴纸才是真实生产里最容易漏的那批(实测「燃动英雄马」正文中段一张 84% 透明的 Youth 艺术字、「燃动赛场」一张 55% 透明的枫叶,都因为只查开头而漏进 Word)。判据 `filters.has_transparency()`:透明像素占比 **> `--alpha-frac`(默认 10%)**。
- **阈值不能低**:实测 21 篇产出里 17 张透明 PNG,真照片存成 PNG 时四角透明边最高 **2.1%**,装饰贴纸是 **55%~92%**,中间是空档。定 2% 会把带透明边的拼图、圆角长图当装饰删掉;定 10% 两头都安全。
- **转格式不能丢 alpha**:`ensure_supported()` 把 webp 转 PNG(不是 JPEG),否则透明通道被压成白底,贴纸就此洗白成普通图片、后面永远认不出来。
- **整篇图片都是透明底**(设计稿式长图推送)时不套用,否则产出是空壳。
17. **开头超宽横幅**(不透明、长宽比 ≥2.2)仍单独判,且只在正文第一段文字之前生效。
18. **链接按出现顺序去重**。
19. **写入前探测占用**(`open(f,"r+b")`),被 Word/WPS 占用的跳过提示;`~$` 是锁文件,别删。
## 交付前自检
```bash
python <skill>/scripts/check_output.py --out "产物/10月"
```
要求全绿:`gif=0`、`empty=0`、`dangling=0`、`qr=0`、`low-res=0`、`透明素材=0`、无开头横幅、无文末 END、文件名合规则且标题已简化(括号内 ≤16 字,`--name-max 0` 可关)、首段严格为 `yyyy.mm.dd(发出日期)`、第 3 段起无居中段落、正文段落都有首行缩进。
任何一项不绿就不算完成。
生成端与自检端**共用 `filters.py` 里的同一套判据**,不许两边各写一份——否则删了看不出来,或者看不出来还误报。
## 深入细节
- 模板还原与 OOXML 操作陷阱(共享 rId、孤儿部件、图片宽度、体积治理)→ `references/ooxml-notes.md`
- 抓取字段来源、风控应对、排错对照表 → `references/troubleshooting.md`
- 简化标题规则与覆写工具 → `scripts/title_naming.py`、`scripts/shorten_titles.py`
Pliki w paczce (9)
- SKILL.md 12 KB
- assets/template.docx 241 KB
- references/ooxml-notes.md 3 KB
- references/troubleshooting.md 4 KB
- scripts/check_output.py 9 KB
- scripts/filters.py 8 KB
- scripts/shorten_titles.py 6 KB
- scripts/title_naming.py 11 KB
- scripts/wx2docx.py 28 KB
Wersje
W bazie nie ma innych skilli o nazwie fetch2word.
Migawka bazy z 13.11.2026 · wersja paczki 4d87ecc5ba0d (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100weixin-article-to-obsidian-cn
Pobiera artykuły z WeChat Official Account (mp.weixin.qq.com) do Markdown dla Obsidian i lokalizuje obrazy w katalogu assets vaulta. - 100wechat-article-reader
Czyta artykuły WeChat z linków mp.weixin.qq.com i zamienia je w Markdown, także gdy strona zgłasza ograniczenia dostępu. - 100weixin-article-to-obsidian
Zapisuje artykuł z WeChat Official Account (mp.weixin.qq.com) w vaultcie Obsidian jako Markdown z lokalnie pobranymi obrazami i linkami do zasobów w stylu vaulta. - 95Docx
Przetwarza dokumenty Word (.docx), czyli tworzy, odczytuje i poprawia pliki Worda. - 100word-read-write
Tworzy i czyta dokumenty Microsoft Word (.docx): generuje raporty, listy i szablony oraz wyciąga czytelny tekst z istniejących plików. - 90docx-authoring
Generuje i edytuje dokumenty Word .docx: tworzenie, wypełnianie szablonu i edycja XML treści przez bibliotekę, z walidacją w obie strony.