deep-web-fetcher（深层网络获取器）

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

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：

1. 增加延迟：在脚本中调整 time.sleep()
2. 使用代理：在 browser.new_context() 中添加代理
3. 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

*完全免费，本地运行，数据不出机器*