news-to-markdown Skill

输入文章 URL，输出干净的 Markdown 正文。17 个平台专项优化，为 AI Agent 而生。

🎯 核心特点

• 📰 17 个平台专项适配 — 头条、微信、知乎、36kr、虎嗅、华尔街见闻、澎湃、InfoQ 等
• 🔄 三层抓取策略 — curl → wget → Playwright 自动回退，静态/动态页面均支持
• 🧠 双引擎提取 — Mozilla Readability + news-extractor-node 智能取优
• 🖼️ 图片本地化 — 可选将远程图片下载到本地，防止 URL 过期
• 🎨 无封面自动兜底 — 文章未识别到封面图时，基于标题生成抽象图案占位封面写入 frontmatter cover:，避免下游发布链路（如微信公众号）因缺少封面失败
• 🔒 固定版本 + 进程内调用 — scripts/run.js launcher 解析已安装的固定版本 npm 包并在进程内运行，不 fork 子进程、不调用 npx、不在运行时漂移版本

🚀 快速开始

推荐：固定版本 + launcher（无子进程、无版本漂移）

# 一次性安装（每次小版本升级时手动重做一次）
npm install -g news-to-markdown@3.3.1

# 之后通过 launcher 调用（args 经 allow-list 校验，URL/输出参数透传到进程内 CLI）
node scripts/run.js convert --url "https://www.toutiao.com/article/123"
node scripts/run.js convert --url "https://mp.weixin.qq.com/s/xxx" --output article.md
node scripts/run.js convert --url "https://www.toutiao.com/article/123" \
  --download-images --output-dir ./article
node scripts/run.js convert --url "https://www.zhihu.com/p/xxx" --no-metadata

备选：npx --yes（一次性试用 / 临时沙箱环境）

⚠️ 供应链风险：npx --yes news-to-markdown@^3.3.1 在 每次调用时 从 npm 解析并执行落在 ^3.3.1 范围内的最新版本，无 lockfile、无完整性校验。仅建议在隔离环境（容器、临时 VM）里用于一次性试用；常驻使用请走上面的固定版本路径。

npx --yes news-to-markdown@^3.3.1 --url "https://www.toutiao.com/article/123"

🔗 与 browser-web-search 配合使用

最常见的 AI Agent 编排模式：

browser-web-search  →  搜索，产出 URL 列表
news-to-markdown    →  读取正文，产出 Markdown

# Step 1：用 bws 搜索，拿到文章 URL 列表
bws site toutiao/search "ai agent" --count 3

# Step 2：对每个 URL 提取正文
node scripts/run.js convert --url "https://www.toutiao.com/article/111"
node scripts/run.js convert --url "https://www.toutiao.com/article/222"
node scripts/run.js convert --url "https://www.toutiao.com/article/333"

适用搜索命令（browser-web-search 0.4.2，30 个平台）：

• 🇨🇳 国内文章类：toutiao/search、weixin/search、zhihu/search、36kr/search、xiaohongshu/search、huxiu/search、wallstreetcn/search、thepaper/search、qqnews/search、netease/search、sina/search、juejin/search、csdn/search、cnblogs/search、infoq/search
• 🌏 国际文章类：verge/search、ars/search、engadget/search、hn/search（外链文章）

注意：github/search、reddit/search、x/search、weibo/search 等平台的 bws 结果本身是结构化数据，无需再用本工具提取正文。

📋 支持平台

专项优化平台（17 个）

其余平台（The Verge、Ars Technica、Engadget 等英文站）走通用 Readability 算法。

🔧 命令参数

node scripts/run.js convert --url <URL> [选项]

📋 标准操作流程 (SOP)

操作 1：基础文章转换

场景：用户提供一个文章 URL，要求转换为 Markdown

node scripts/run.js convert \
  --url "https://www.toutiao.com/article/123" \
  --output article.md

操作 2：转换并下载图片（推荐）

场景：需要保留图片，或后续要发布到微信公众号

node scripts/run.js convert \
  --url "https://www.toutiao.com/article/123" \
  --download-images \
  --output-dir ./article
# 输出：./article/article.md + ./article/images/*.jpg

头条、微信等平台的图片 URL 包含签名，数小时后失效。下载到本地可避免此问题。

操作 3：只提取正文

场景：用户说"只要文章内容，不要标题作者等信息"

node scripts/run.js convert \
  --url "https://36kr.com/p/xxx" \
  --no-metadata

操作 4：批量处理多篇文章

场景：配合 bws 搜索结果批量提取

# 先搜索
bws site zhihu/search "大模型" --count 5 --jq '[.items[].url]'

# 再逐篇提取
for url in "${urls[@]}"; do
  node scripts/run.js convert --url "$url" --output "articles/$(echo $url | md5sum | cut -c1-8).md"
done

操作 5：自定义提取（去噪 / 指定区域）

场景：提取结果不准，用户要求去掉广告或指定正文区域

# 去掉广告和评论
node scripts/run.js convert \
  --url "https://example.com/article" \
  --noise ".ad,.sidebar,.comments"

# 指定内容区域
node scripts/run.js convert \
  --url "https://example.com/article" \
  --selector "article.main-content"

操作 6：调试失败页面

场景：抓取或提取失败，需要排查

node scripts/run.js convert \
  --url "https://example.com/article" \
  --verbose

常见原因与解决方案：

可选安装 Playwright 浏览器（动态页面支持）：

npx playwright install chromium

🎓 示例对话

用户：帮我把这篇虎嗅文章转成 Markdown，图片也要保存

node scripts/run.js convert \
  --url "https://www.huxiu.com/article/xxx.html" \
  --download-images \
  --output-dir ./huxiu-article

用户：搜索头条最新 3 篇关于 AI Agent 的文章，并获取每篇正文

# Step 1: 搜索
bws site toutiao/search "AI Agent" --count 3

# Step 2: 逐篇提取（对每个 url 执行）
node scripts/run.js convert --url "<url>" --output "<title>.md"

用户：只要这篇知乎文章的正文，不要其他信息

node scripts/run.js convert \
  --url "https://www.zhihu.com/p/xxx" \
  --no-metadata

⚠️ 安全与版权

两条调用路径（推荐 / 备选）

1. 🟢 推荐：Skill 插件 / launcher 路径（node scripts/run.js convert …） 在进程内 require() 已固定版本的 npm 包，不 fork 子进程、不调用 npx、不在 ^3.3.1 范围内漂移版本。一次性安装：

   npm install -g news-to-markdown@3.3.1
   

   未安装时，launcher 会以可操作的 JSON 错误提示退出，不会自动安装、不会回退到子进程。该选择消除了 child_process 调用面与运行时版本漂移面，匹配 codeguard-0-supply-chain-security 与 codeguard-0-input-validation-injection 的硬化要求。

2. 🟡 备选：npx --yes 直接终端调用 形如 npx --yes news-to-markdown@^3.3.1 …。每次调用都会从 npm 拉取并执行落在 ^3.3.1 范围内的最新版本——这是受信范围内的供应链漂移面，没有 lockfile、没有完整性校验。仅建议在隔离环境（一次性容器、临时 VM、沙箱）下做快速试用；不要用于常驻的批处理。

供应链风险（两条路径都适用）

本 Skill 透传到第三方 npm 包，使用前请审计源码：

• 源码：https://github.com/sipingme/news-to-markdown
• 入口：https://github.com/sipingme/news-to-markdown/blob/main/src/index.ts

scripts/run.js 仅放行 SKILL.md 中文档化的子命令与参数（allow-list），并对每个参数做长度上限与控制字符校验后才注入到 CLI 进程的 argv，不会进入 shell。但被透传的目标包本身仍可发起任意网络/磁盘 I/O，建议固定到 3.3.1 之后再做一次源码审阅。

Playwright 浏览器二进制

第三层抓取策略（动态页面回退）依赖 playwright。首次 npx playwright install chromium 会从 Microsoft / Google 的 CDN 下载 Chromium 二进制（~150 MB）到 ~/Library/Caches/ms-playwright/（macOS）或 ~/.cache/ms-playwright/（Linux）。该步骤会执行远端二进制到本地，建议：

• 仅在确实需要动态页面渲染时再装；多数静态页面（头条、澎湃、华尔街见闻、CSDN、博客园 等）走 curl/wget 路径即可
• 在 OS 级沙箱、容器或受限用户下运行（避免赋予 Playwright 进程额外文件系统/网络权限）
• 抓取触发反爬时，先确认目标站允许内容获取再启用动态渲染

版权提示

本工具默认用于个人学习和内容归档。对外发布时，请保留来源链接和作者信息，并确认来源站点的版权声明与转载政策。

📝 维护说明

• 版本: 3.3.1
• 最后更新: 2026-04-28
• 维护者: Ping Si sipingme@gmail.com
• 许可证: MIT

📚 参考资料

• news-to-markdown GitHub
• npm 包
• browser-web-search Skill