文章素材收集 v2.1

MediaClaw 素材收集编排 Skill — OpenClaw Browser + Playwright 双模式

v1.0 → v2.1 修复历程

版本	修复内容
v1.0	问题版：Playwright 优先 → 截图搜索页
v2.0	修复：OpenClaw Browser 强制优先 → 截图实际文章页
v2.1	当前版：强化质量门槛、平台登录要求、修复 Reddit/X 截无效图问题

定位

上层编排 Skill，通过 Brave Search 发现 → 智能选择浏览器截图 完成结构化素材采集。

智能选择原则：公开页面用 Playwright（更快更稳），需要登录的页面用 OpenClaw Browser。

默认配置

配置项	默认值	说明
公开页面浏览器	Playwright headless	Reddit、DEV、GitHub、Medium
需登录页面浏览器	OpenClaw Browser (openclaw profile)	X/Twitter、知乎（部分）
截图质量门槛	≥50KB	（v2.1 从 20KB 提高到 50KB）
信息源	DEV, GitHub, Reddit, X, Medium, 知乎	可扩展
保存位置	MediaClaw/output/articles/{date}/{topic}/素材/	调用方可覆盖
搜索工具	Brave Search API	node ~/.openclaw/skills/brave-search/search.js

平台登录要求（v2.1 新增）

平台	需要登录	推荐浏览器	素材价值
DEV Community	❌ 否	Playwright	⭐⭐⭐⭐⭐ 推荐替代 X/Reddit
GitHub	❌ 否	Playwright	⭐⭐⭐⭐⭐ 代码/项目测评必备
Reddit	❌ 否	Playwright	⭐⭐⭐⭐ 社区观点，需实际帖子 URL
Medium	❌ 否	Playwright	⭐⭐⭐⭐ 技术博客
X/Twitter	✅ 是	OpenClaw Browser（需登录）	⭐⭐⭐ 大V观点，未登录则跳过
知乎	✅ 部分	OpenClaw Browser	⭐⭐⭐ 中文内容，未登录则跳过
Google	❌ 否	Playwright	⭐ 热度参考，不截图搜索结果

Workflow（v2.1）

Phase 1: 确认收集参数

必须明确以下3项才能开始采集：

1. 主题/关键词 → 用来搜索的query（可以是中英文多个）
2. 文章关联 → 对应哪篇文章（日期+slug），决定保存路径
3. 信息源 → 从哪些平台收集（建议：DEV + GitHub + Reddit + Medium，跳过 X/知乎除非已登录）

输出确认：

素材收集确认（v2.1）：
- 主题：{query}
- 关联文章：{date}/{slug}
- 保存位置：{output_dir}/素材/
- 信息源：{platforms}
- 浏览器策略：公开页面 → Playwright / 需登录 → OpenClaw Browser

Phase 2: 搜索发现（获取实际内容页 URL）

用 Brave Search API 发现实际内容页 URL（不是搜索结果页）：

node ~/.openclaw/skills/brave-search/search.js "Claude Code vs Codex comparison 2026" -n 10 --content

关键原则：从搜索结果中提取实际文章/帖子 URL，按以下优先级：

优先级	平台类型	URL 特征	说明
⭐⭐⭐⭐⭐	DEV Community 文章	dev.to/{user}/{slug}	公开内容，质量高，优先采集
⭐⭐⭐⭐⭐	GitHub 项目页面	github.com/{user}/{repo}	工具/项目测评必备
⭐⭐⭐⭐	Reddit 帖子	reddit.com/r/{sub}/comments/{id}/	从搜索结果提取实际帖子 URL
⭐⭐⭐⭐	技术博客（NxCode等）	独立域名文章页	有数据、有观点、可截图
⭐⭐⭐	Medium / 知乎 / CSDN	文章页 URL	中文内容，需文章页 URL
⭐⭐	X 大V 推文	x.com/{user}/status/{id}	需登录，未登录则跳过
⭐	Google 搜索结果页	google.com/search?q=	仅作热度证明，不截文章

🚨 v2.1 特别注意：

• Reddit：URL 必须是 /comments/{id}/ 格式，不是 /search/?q= 格式
• X：必须从搜索结果提取实际推文 URL，未登录则跳过
• Google：严禁截图搜索结果页，只记录搜索结果数量

Phase 3: 智能采集（按平台选择浏览器）

公开页面 → Playwright（推荐）

import asyncio
from playwright.async_api import async_playwright

async def collect_material(url: str, output_path: str, wait_s: int = 8) -> dict:
    """采集公开页面素材"""
    async with async_playwright() as p:
        browser = await p.chromium.launch(headless=True)
        page = await browser.new_page(
            viewport={"width": 1400, "height": 900},
            user_agent="Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36"
        )
        try:
            await page.goto(url, timeout=25000, wait_until="networkidle")
            await asyncio.sleep(wait_s)
            await page.screenshot(path=output_path, full_page=True)
            size = os.path.getsize(output_path)
            return {"status": "ok", "size": size, "path": output_path}
        except Exception as e:
            return {"status": "error", "error": str(e)}
        finally:
            await browser.close()

需要登录 → OpenClaw Browser

# 检查登录状态
browser(action="status", profile="openclaw")
# 如果 running=true → 已登录，继续
# 如果 running=false → 未登录 → 跳过该平台

# 打开页面
browser(action="open", profile="openclaw", targetUrl="https://...")

# 等待加载（X/知乎需要更长等待）
browser(action="act", targetId="xxx", request={"kind": "wait", "timeMs": 12000})

# 截图
browser(action="screenshot", profile="openclaw", targetId="xxx", type="png")

Phase 4: 质量验证（强制门控）

每个截图必须通过以下检查：

# 1. 文件大小 ≥ 50KB
size=$(stat -c%s "$path")
if [ $size -lt 51200 ]; then
    echo "FAIL: 文件太小 (${size}B < 50KB)，重试"
    # 重试：增加等待时间 +5s
fi

# 2. 非空白图片
python3 -c "
from PIL import Image; import numpy as np
img = np.array(Image.open('$path'))
if img.mean() > 250:
    print('FAIL: blank image')
else:
    print('OK')
"

# 3. 内容相关性（目测检查截图是否包含目标关键词）

重试策略：

1. 第一次失败 → 等待时间 +5s，重试
2. 第二次失败 → 换浏览器方式（OpenClaw ↔ Playwright）
3. 第三次失败 → 标记为"截图失败"并记录原因

Phase 5: 保存与索引

目录结构：

{OUTPUT_DIR}/素材/
├── README.md              ← 素材索引（必须）
├── dev-community/         ← DEV 文章截图
│   └── *.png
├── github/                ← GitHub 项目截图
│   └── *.png
├── reddit/                ← Reddit 帖子截图
│   └── *.png
├── medium/                ← Medium 文章截图
│   └── *.png
├── x/                     ← X 推文截图（仅登录成功时）
│   └── *.png
└── failed/                 ← 截图失败的记录
    └── README.md

素材索引 README.md（必须）：

# 素材索引 — {topic}
## 采集时间: {YYYY-MM-DD HH:MM}
## 采集工具: Playwright (公开页) + OpenClaw Browser (需登录页)

| 平台 | 标题 | URL | 文件 | 大小 | 状态 |
|------|------|-----|------|------|------|
| DEV | Claude Code vs Codex | https://dev.to/... | dev-xxx.png | 240KB | ✅ |
| Reddit | 500+ developers | https://reddit.com/r/... | reddit-xxx.png | 85KB | ✅ |
| X | @user analysis | - | - | - | ❌ 未登录跳过 |
| Google | - | - | - | - | ℹ️ 仅记录数量 |

统计: 有效截图 {n} 张 / 总计划 {n} 张
跳过: {platforms}（原因：{reasons}）

---

快速调用模板

调用 article-material-collect v2.1:
  topic: "Claude vs Codex 对比"
  query_zh: "Claude Code Codex 对比 评测 2026"
  query_en: "Claude Code vs Codex comparison 2026"
  article: "2026-04-16/claude-vs-codex"
  sources: [dev-community, github, reddit, medium]  ← 推荐：跳过 X/知乎除非已登录
  output_dir: ~/clawd/projects/MediaClaw/output/articles/2026-04-16/claude-vs-codex/素材/

质量标准（v2.1）

• 素材文件夹包含 README.md 索引
• 每张截图 ≥ 50KB（非空白）✅ 强化
• 截图的是实际文章内容，不是搜索结果页 ✅ 强化
• Reddit 截图是帖子页，不是 /search/ 页面 ✅ 新增
• X 截图有登录态才执行，无登录则跳过并记录 ✅ 新增
• Google 搜索结果不截图，只记录数量 ✅ 新增
• DEV Community 作为优先信息源 ✅ 新增
• 文件命名有意义（非 screenshot-1.png）
• 素材可直接用于文章嵌入（清晰、相关、裁剪得当）

铁律（v2.1）

1. 智能选择浏览器 — 公开页面用 Playwright（更快），需登录用 OpenClaw Browser
2. 截取实际内容页 — 禁止截图 Reddit/X/Google 搜索结果页
3. 质量门控 — 每个截图必须 ≥ 50KB + 非空白
4. 跳过而非失败 — X/知乎等平台未登录时，跳过并记录原因（不算失败）
5. DEV 优先 — DEV Community 是最可靠的公开技术内容源，优先采集
6. 必须索引 — 每次采集必须生成 README.md
7. 先确认再采集 — Phase 1 参数确认后才执行 Phase 2-5
8. 不暴露隐私 — 截图前检查无个人信息泄露

已知问题与应对

问题	原因	应对
Reddit 截图是搜索页	v1.0 行为，未更新 URL	v2.1：必须用 /comments/ URL
Reddit headless 超时	Reddit 检测 headless 浏览器	v2.1：改用 domcontentloaded + 真实 UA + 10s 等待
X 截图 22KB（空白）	openclaw profile 未登录 X	v2.1：跳过或用 OpenClaw Browser（需登录态）
Nitter 备选不可靠	Nitter 实例不稳定	v2.1：仅作备选，主要靠 openclaw browser 登录态
Google 截图没用	搜索结果页无实质内容	v2.1：明确禁止，改为记录数量
知乎需要登录	大部分内容需登录	v2.1：跳过并记录

实测结果（2026-04-16）：

平台	方法	结果	大小
Reddit	Playwright (domcontentloaded)	✅ 通过	860KB
DEV Community	Playwright (domcontentloaded)	✅ 极佳	1706KB
Nitter	Playwright	❌ 几乎空白	6KB
X/Twitter	OpenClaw Browser (未登录)	❌ 空白	<50KB

结论：Reddit → Playwright（真实UA）；X → OpenClaw Browser（登录态）或跳过；Nitter 不可靠。

---

上层调用

content-ops-toolkit 在素材阶段调用本 skill。本 skill 内部调用：

• brave-search → 搜索发现
• web-content-capture → 底层截图（v2.1 修复版）

---

更新日志

• v2.1.0 (2026-04-16): 修复 Daniel 反馈的素材无效问题
  • 提高质量门槛：20KB → 50KB
  • 添加完整平台登录要求文档
  • 修复 Reddit URL（必须 /comments/ 而非 /search/）
  • 添加 X 未登录跳过机制
  • 明确禁止截图 Google 搜索结果
  • 新增 DEV Community 作为优先信息源
  • 添加跳过机制（平台未登录不算失败）
  • 细化质量验证和重试策略
• v2.0.0 (2026-04-15): OpenClaw Browser 强制优先，动态等待
• v1.0.0 (2026-04-14): 初始版本