douyin-scraper
抖音图文笔记采集工具 —— 一条命令完成：搜索 → 筛选图文 → 截图 → OCR → Markdown 报告。
⚠️ 前置配置
1. 安装依赖
pip install playwright requests python-dotenv
python -m playwright install chromium
2. 配置 Baidu PaddleOCR Token
在技能目录创建 .env：
BAIDU_PADDLEOCR_TOKEN=你的token
获取 Token：访问 百度 AI Studio，免费注册，每天 1 万次免费调用。
3. 登录抖音（只需一次）
python <skill_path>/scripts/login.py
浏览器打开抖音，扫码登录后关闭。登录状态自动保存，后续无需重复操作。
🗣️ 自然语言搜索（Agent 入口）
当用户用自然语言提出搜索需求时，先提取关键词，再调用脚本。
提取规则
- 从用户输入中提取核心搜索词（去掉"搜索一下"、"帮我找"、"看看"等助词）
- 如果用户指定了数量，提取为
--count；否则用默认值 - 如果用户说"只要图片"或"不用识别文字"，加
--no-ocr - 关键词尽量简短精炼（2-6字），不要把整个句子当关键词
示例
| 用户输入 | 提取关键词 | 命令 |
|---|---|---|
| 搜索一下海鲜视频 | 海鲜 | --keyword "海鲜" |
| 帮我找找韩国医美相关内容 | 韩国医美 | --keyword "韩国医美" |
| 抖音上最近有什么减肥餐笔记 | 减肥餐 | --keyword "减肥餐" |
| 看看咖啡相关的图文，要5条 | 咖啡 | --keyword "咖啡" --count 5 |
| 搜一下宠物猫，不用OCR | 宠物猫 | --keyword "宠物猫" --no-ocr |
| 抖音搜索穿搭技巧 | 穿搭技巧 | --keyword "穿搭技巧" |
Agent 执行步骤
- 从用户输入提取关键词
- 运行命令：
python <skill_path>/scripts/full_workflow.py --keyword "<提取的关键词>" [--count N] [--no-ocr]
- 脚本完成后，读取
output/下生成的 Markdown 报告 - 向用户摘要报告内容（笔记数量、热度最高的几条、关键发现）
🔧 直接命令行使用
# 采集 10 篇图文笔记（含 OCR）
python <skill_path>/scripts/full_workflow.py --keyword "韩国医美"
# 指定数量
python <skill_path>/scripts/full_workflow.py --keyword "减肥餐" --count 5
# 跳过 OCR（仅截图）
python <skill_path>/scripts/full_workflow.py --keyword "咖啡" --no-ocr
| 参数 | 说明 | 默认值 |
|---|---|---|
--keyword | 搜索关键词 | 必填 |
--count | 采集笔记数量 | 5 |
--no-ocr | 跳过 OCR | 关闭 |
输出
报告保存至 output/notes_{keyword}_{timestamp}.md，图片保存至 data/images/。
每篇笔记包含：
- 🔥 热度分数（点赞数 / 发布天数）及计算公式
- 👍 点赞数、发布时间、作者、原文链接
- 📝 原文描述
- 🔍 OCR 识别的图片文字（支持多图）
- 🖼️ 本地截图路径
技术特点
- Playwright 截图：通过
element.screenshot()截取内容图，绕过抖音图片 URL 反爬虫 - 图文过滤：自动识别并跳过视频，只采集「图文」类型笔记
- OCR 噪音过滤：自动去除截图中的抖音导航栏文字（精选/推荐/关注 等）
- 多图支持：一篇图文多张图片逐张截图 + OCR，合并识别结果
- 反检测：有头浏览器（headless=False）+ 拟人操作节奏，避免触发验证码
- 热度公式：
likes / days_ago，越新越热排越前
目录结构
douyin-scraper/
├── scripts/
│ ├── full_workflow.py # 主流水线
│ └── login.py # 登录脚本
├── data/
│ └── images/ # 截图
├── output/ # Markdown 报告
├── profile/ # 浏览器登录状态
└── .env # Token 配置