Skill: Deep Web Fetcher
版本：1.0.0
描述：免费网页抓取 + 内容提取 + 结构化输出，无需付费API
核心功能
- 网页抓取：支持JS渲染，自动等待页面加载
- 正文提取：智能识别文章主体，过滤广告/导航
- 元数据提取：自动提取标题、作者、发布时间
- 指标提取：从正文提取关键数据（样本量、AUC、成本等）
触发命令
/web-fetcher <url> [--domain <领域>]
参数说明
| 参数 | 默认值 | 说明 |
|---|---|---|
url | 必填 | 目标网页URL |
--domain | general | 研究领域，影响指标提取规则 |
领域选项
general：通用提取healthcare：医疗/健康领域medical：医学研究insurance：保险控费machine_learning：机器学习
执行流程
1. 启动Playwright浏览器
2. 访问目标URL，等待JS渲染完成
3. 使用Readability提取正文
4. 提取元数据（标题、作者、时间）
5. 根据领域规则提取关键指标
6. 输出生成JSON
输出格式
{
"url": "https://example.com/article",
"success": true,
"title": "文章标题",
"author": "作者名",
"published_date": "2024-01-15",
"content_text": "正文内容...",
"content_html": "<html>...</html>",
"word_count": 1500,
"extracted_metrics": {
"sample_size": "9,080",
"auc": 0.85,
"accuracy": 92.5
},
"error": null
}
使用示例
抓取arXiv论文
/web-fetcher "https://arxiv.org/abs/2301.12345" --domain "machine learning"
抓取PubMed摘要
/web-fetcher "https://pubmed.ncbi.nlm.nih.gov/38134648/" --domain "medical"
抓取政府报告
/web-fetcher "https://www.gov.cn/zhengce/zhengceku/2024-01/15/content_6923456.htm" --domain "insurance"
依赖安装
# 安装Python依赖
pip install playwright readability-lxml lxml beautifulsoup4
# 安装浏览器驱动（首次运行需下载~100MB）
playwright install chromium
注意事项
反爬策略
部分网站有反爬机制，如遇失败可：
- 增加延迟：在脚本中调整
time.sleep() - 使用代理：在
browser.new_context()中添加代理 - 轮换UA：修改
user_agent参数
提取准确率
- 标准网页（文章/博客）：✅ 效果优秀
- 复杂布局（多栏/动态加载）：⚠️ 可能需人工复核
- PDF页面：❌ 不支持，请用PDF专用工具
执行速度
- 单页抓取：5-15秒（含浏览器启动）
- 批量抓取：建议并发3-5个
与深度研究v6.0集成
# 生成卡片
/web-fetcher <url> --domain "insurance" > sources/card-xxx.json
# 转换卡片格式
python3 scripts/convert-to-card.py sources/card-xxx.json
文件结构
skills/web-fetcher/
├── SKILL.md
└── scripts/
└── web-fetcher.py
版本历史
| 版本 | 日期 | 更新 |
|---|---|---|
| 1.0.0 | 2026-03-19 | 初始版本 |
完全免费，本地运行，数据不出机器