Douyin Scraper (NL Search) — Douyin 抓取工具（自然语言搜索）

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

• 安装依赖 pip install playwright requests python-dotenv python -m playwright install chromium
• 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。
• 登录抖音（只需一次） python /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（AI Agent 协议） 用户可能用自然语言发起搜索请求，例如： "搜索一下海鲜视频" → keyword = 海鲜 "帮我找韩国医美笔记" → keyword = 韩国医美 "看看最近一周的减肥餐图文" → keyword = 减肥餐 "抖音上关于咖啡的内容" → keyword = 咖啡 "我想看宠物猫的图文笔记" → keyword = 宠物猫

关键词提取规则 去掉搜索意图词：去掉"搜索"、"找"、"看看"、"帮我"、"我想看"、"视频"、"内容"、"笔记"、"图文"等非内容词 保留核心主题：提取用户真正想搜的主题词（通常 2-6 个字） 不要加后缀：不要自动加"视频"、"图文"等后缀，脚本会自动筛选图文类型 不确定时问用户：如果自然语言中无法明确提取关键词，简短询问用户想搜什么关键词

执行方式 提取关键词后，直接调用脚本： python /scripts/full_workflow.py --keyword "提取的关键词"

CLI 使用 # 采集 10 篇图文笔记（含 OCR） python /scripts/full_workflow.py --keyword "韩国医美" # 指定数量 python /scripts/full_workflow.py --keyword "减肥餐" --count 5 # 跳过 OCR（仅截图） python /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