Douyin Scraper V2

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（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 /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 /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