URL Reader - 智能网页内容读取器

一键读取任意URL的内容，自动识别平台类型，智能选择最佳读取策略，自动保存内容和图片到本地。

默认保存目录

code

/Users/ys/laoyang知识库/nickys/素材/

保存格式：

code

素材/
└── 2026-01-30_文章标题/
    ├── content.md      # Markdown内容
    ├── img_01.webp     # 图片1
    ├── img_02.webp     # 图片2
    └── ...

核心技术方案

三层读取策略（自动降级）

code

┌─────────────────────────────────────────────────────────────────┐
│                     URL Reader 技术架构                          │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  用户输入 URL                                                    │
│       ↓                                                         │
│  ┌─────────────┐                                                │
│  │ 平台识别器   │ → 识别URL所属平台（微信/小红书/淘宝等）           │
│  └─────────────┘                                                │
│       ↓                                                         │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │                    策略选择器                                ││
│  │  ┌───────────┐  ┌───────────┐  ┌───────────┐               ││
│  │  │ 策略1     │  │ 策略2     │  │ 策略3     │               ││
│  │  │ Firecrawl │→│ Jina      │→│ Playwright │               ││
│  │  │ (首选)    │  │ (备选)    │  │ (兜底)    │               ││
│  │  └───────────┘  └───────────┘  └───────────┘               ││
│  └─────────────────────────────────────────────────────────────┘│
│       ↓                                                         │
│  ┌─────────────┐                                                │
│  │ 内容提取器   │ → 提取标题、正文、作者、时间等                   │
│  └─────────────┘                                                │
│       ↓                                                         │
│  ┌─────────────┐                                                │
│  │ 格式化输出   │ → Markdown 格式                                │
│  └─────────────┘                                                │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

策略1：Firecrawl API（首选）

特点：

•AI 驱动的网页抓取
•自动处理 JavaScript 渲染
•自动绕过反爬机制
•直接返回干净的 Markdown
•支持 96% 的网站

API 调用：

python

from firecrawl import Firecrawl

app = Firecrawl(api_key="fc-YOUR_API_KEY")
result = app.scrape(url, formats=["markdown"])

定价：

•免费：500 页/月
•付费：按量计费

策略2：Jina Reader API（备选）

特点：

•完全免费
•无需 API Key
•支持动态渲染
•返回 Markdown 格式

使用方式：

code

https://r.jina.ai/{原始URL}

策略3：Playwright 浏览器自动化（兜底）

特点：

•支持登录态保持
•可处理任何网站
•需要首次手动登录

适用场景：

•微信公众号（需要登录）
•需要登录的平台
•前两种策略都失败时

使用方式

方式1：直接对话

code

用户：帮我读取这个链接 https://mp.weixin.qq.com/s/xxxxx
用户：看看这个小红书 https://www.xiaohongshu.com/explore/xxxxx
用户：读一下这个网页 https://example.com/article

方式2：命令行调用

bash

/url-reader https://example.com/article

支持的平台

平台	域名	推荐策略	备注
微信公众号	mp.weixin.qq.com	Firecrawl → Playwright	可能需要登录
小红书	xiaohongshu.com	Firecrawl → Jina	短链接需解析
今日头条	toutiao.com	Firecrawl → Jina	-
抖音	douyin.com	Firecrawl	提取视频描述
淘宝	taobao.com	Firecrawl → Playwright	可能需要登录
天猫	tmall.com	Firecrawl → Playwright	可能需要登录
京东	jd.com	Firecrawl → Jina	-
百度	baidu.com	Firecrawl → Jina	-
知乎	zhihu.com	Firecrawl → Jina	-
微博	weibo.com	Firecrawl → Playwright	可能需要登录
B站	bilibili.com	Firecrawl → Jina	-
通用网站	*	Firecrawl → Jina	-

工作流程

code

1. 接收 URL
2. 识别平台类型
3. 选择读取策略：
   ├─ 尝试 Firecrawl API
   │   ├─ 成功 → 返回内容
   │   └─ 失败 → 继续
   ├─ 尝试 Jina Reader
   │   ├─ 成功 → 返回内容
   │   └─ 失败 → 继续
   └─ 尝试 Playwright（需要登录态）
       ├─ 有登录态 → 读取内容
       └─ 无登录态 → 提示用户设置
4. 提取核心内容
5. 格式化输出

输出格式

markdown

# [文章标题]

**来源**：[平台名称]
**作者**：[作者名称]
**发布时间**：[时间]
**原文链接**：[URL]

---

[正文内容]

---

**互动数据**（如有）：
- 阅读/播放：xxx
- 点赞：xxx
- 评论：xxx

配置说明

Firecrawl API Key 配置

•访问 https://www.firecrawl.dev/ 注册账号
•获取 API Key

•配置环境变量：

bash

export FIRECRAWL_API_KEY="fc-YOUR_API_KEY"

Playwright 登录态设置（可选）

用于需要登录的平台（如微信公众号）：

bash

cd ~/.claude/skills/url-reader
source .venv/bin/activate
python scripts/wechat_reader.py setup

目录结构

code

url-reader/
├── skill.md              # 本文档
├── metadata.json         # 元数据
├── scripts/
│   ├── url_reader.py     # 主读取器（整合三种策略）
│   ├── firecrawl_reader.py   # Firecrawl 策略
│   ├── jina_reader.py        # Jina 策略
│   ├── wechat_reader.py      # Playwright 策略（微信）
│   └── url_identifier.py     # URL 平台识别器
└── data/
    └── wechat_auth.json  # 微信登录态（自动生成）

依赖安装

bash

cd ~/.claude/skills/url-reader
python3 -m venv .venv
source .venv/bin/activate

# 核心依赖
pip install firecrawl-py requests

# Playwright（可选，用于需要登录的平台）
pip install playwright
playwright install chromium

常见问题

Q: 为什么有些网站读取失败？

A: 可能原因：

•网站有强反爬机制 → 尝试 Playwright
•需要登录 → 设置登录态
•内容已删除 → 无法读取

Q: Firecrawl 免费额度用完了怎么办？

•自动降级到 Jina Reader（免费）
•或升级 Firecrawl 付费计划

Q: 微信公众号总是读取失败？

A: 微信反爬最严格，建议：

•使用 Playwright + 登录态
•或手动复制内容

版本历史

•v2.0：整合 Firecrawl + Jina + Playwright 三层策略
•v1.1：添加 Playwright 浏览器自动化
•v1.0：基础功能