HomeJimu HarnessCommunityModelsResourcesDocumentationSkillAgentMCPTeamAbout us
Sign up / Sign in

Quick links

Jimu AI

Jimu AI — tools for building intelligent applications

Loading...
← Back to skills

juejin-article-to-markdown

v1.0.3
HK-hub

将掘金(juejin.cn)文章转换为整洁的 Markdown 文件,自动去除导航栏、评论区、推荐文章等无关内容,正确处理代码块、表格、图片等格式。当用户提供掘金文章链接或要求保存掘金文章时使用此技能。

Writing掘金Markdown文章转换内容清理
↓ 7 downloads

name: juejin-article-to-markdown description: | 将掘金(juejin.cn)文章转换为整洁的 Markdown 文件,自动去除导航栏、评论区、推荐文章等无关内容,正确处理代码块、表格、图片等格式。当用户提供掘金文章链接或要求保存掘金文章时使用此技能。 author: "HK-hub" license: "MIT" category: "writing" tags: "掘金, Markdown, 文章转换, 内容清理" source: "https://github.com/HK-hub/AgentSkills"

掘金文章转 Markdown

概述

掘金文章页面包含大量无关内容(导航栏、侧边栏、评论区、推荐文章、代码块按钮等),直接复制粘贴会产生格式问题。此 Skill 提供一套完整的处理流程,将掘金文章转换为干净、规范的 Markdown 文件。

触发条件

  • 用户提供掘金文章链接(juejin.cn/post/)
  • 用户说"保存掘金文章"、"另存掘金为 Markdown"
  • 用户想要整理掘金文章到笔记库

完整处理流程

第一步:获取文章内容

优先使用积木 Web 工具:

  1. 先用 jimu_web_fetch 提取文章标题、作者、发布时间、正文文本、代码块、图片链接和标签信息。
  2. 如果页面需要 JavaScript 渲染、登录态或正文/图片提取不完整,改用 jimu_browser 打开链接,先 snapshot 观察页面结构,再用 extract 或 evaluate 获取正文 DOM、元信息和图片列表。
  3. 仅在用户明确要求保存文件时,才用 write_file 输出 Markdown;不要把抓取过程绑定到任何固定外部抓取服务。

第二步:提取文章元信息

从 HTML 或 Markdown 开头提取:

字段 提取方式 说明
标题 <h1> 或 # 标题 文章主标题
作者 作者名称字段 作者用户名
发布日期 日期字段 格式:YYYY-MM-DD
阅读量 阅读数字段 可选
标签 标签列表 文章标签
专栏 专栏名称 可选

第三步:清理无关内容

必须移除的内容:

  1. 导航栏和页眉

    • 首页、沸点、课程、数据标注、AI Coding 等导航
    • 搜索框
    • 创作者中心
    • 登录/注册按钮
  2. 侧边栏和推荐

    • 搜索建议
    • 精选内容
    • 为你推荐文章列表
    • 目录(可选择性保留简化版)
  3. 评论区

    • 评论列表
    • 评论输入框
    • 点赞、屏蔽、举报按钮
  4. 页脚和推广

    • 下载APP提示
    • 微信公众号二维码
    • 新浪微博链接
    • AI代码助手推广
  5. 代码块无关内容

    • "体验AI代码助手"按钮文字
    • "代码解读"按钮文字
    • "复制代码"按钮文字
  6. 互动元素

    • 点赞、收藏、分享按钮
    • 关注按钮
    • 专栏订阅按钮

第四步:处理代码块

掘金代码块会包含无关的按钮文字,需要清理:

清理模式:

# 原始(有问题)
```bash

体验AI代码助手

代码解读

复制代码

# 实际代码
git clone https://github.com/xxx

清理后

# 实际代码
git clone https://github.com/xxx

**处理规则:**
1. 识别代码块开始(```language)
2. 删除代码块开头的空白行
3. 删除"体验AI代码助手"、"代码解读"、"复制代码"等无关行
4. 保留实际代码内容
5. 确保代码块正确闭合

### 第五步:处理图片

**掘金图片特点:**

| 域名 | 处理方式 | 说明 |
|------|---------|------|
| `p*-xtjj-sign.byteimg.com` | **保留** | 文章正文图片 |
| `p*-juejin-sign.byteimg.com` | **保留** | 文章正文图片 |
| `p1-juejin.byteimg.com` | **保留** | 封面图等 |
| `lf-web-assets.juejin.cn` | **丢弃** | Logo、图标等装饰 |
| `p*-passport.byteacctimg.com` | **丢弃** | 用户头像 |

**图片链接格式:**

https://p9-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/xxx~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:q75.awebp?rk3s=xxx&x-expires=xxx&x-signature=xxx


**处理方式:**
- 保留完整链接(包括签名参数)
- 链接有时效性,但通常较长

### 第六步:处理链接

**掘金外链跳转格式:**

https://link.juejin.cn?target=https%3A%2F%2Fgithub.com%2Fxxx


**处理规则:**
1. 解析 `target` 参数,提取真实 URL
2. URL 解码(%3A → :, %2F → /)
3. 替换为真实链接

**示例:**
```markdown
# 原始
[GitHub 仓库](https://link.juejin.cn?target=https%3A%2F%2Fgithub.com%2F598572%2Fxzll-im-server)

# 处理后
[GitHub 仓库](https://github.com/598572/xzll-im-server)

第七步:处理表格

掘金使用标准 Markdown 表格格式,需要确保:

  1. 表头分隔行正确(| --- | --- |)
  2. 列对齐符号正确(:---, :---:, ---:)
  3. 表格前后有空行

表格示例:

| 字段 | 类型 | 说明 |
| --- | --- | --- |
| id | Long | 全局唯一ID |
| name | String | 用户名 |

第八步:处理 Mermaid 图表

掘金使用 bytemd-mermaid 类渲染 Mermaid 图表,需要特殊处理。

重要发现:原始 Mermaid 代码存储在 window.__NUXT__ 数据中

掘金在服务端将 Mermaid 代码渲染为 SVG 用于页面显示,但原始 Mermaid 代码保存在页面的 window.__NUXT__ JavaScript 变量中。

方案 A:从 __NUXT__ 提取原始 Mermaid 代码(推荐)

优点:保留可编辑的源码,Obsidian/Typora 等工具可直接渲染

提取方法:

  1. 在 HTML 中查找 <script>window.__NUXT__= 标签
  2. 提取脚本内容
  3. 解码转义序列(\n → 换行,\uXXXX → Unicode 字符)
  4. 使用正则表达式提取 ```mermaid\n...\n``` 代码块

Python 示例代码:

import re

# 找到 __NUXT__ 脚本
script_match = re.search(r'<script[^>]*>window\.__NUXT__\s*=', html_content)
if script_match:
    script_start = script_match.start()
    script_end = html_content.find('</script>', script_start)
    script_content = html_content[script_start:script_end]

    # 解码 Unicode 转义
    decoded = re.sub(r'\\u([0-9a-fA-F]{4})',
                     lambda m: chr(int(m.group(1), 16)), script_content)
    decoded = decoded.replace('\\n', '\n')

    # 提取 Mermaid 代码块
    pattern = r'```mermaid\n(.*?)```'
    mermaid_blocks = re.findall(pattern, decoded, re.DOTALL)

输出格式:

\`\`\`mermaid
sequenceDiagram
    participant C as 客户端
    C->>G: 登录请求
\`\`\`

方案 B:提取 SVG 并保存为文件(备选)

适用场景:__NUXT__ 中没有 Mermaid 代码时

提取方法:

从 HTML 中查找以下结构:

<div class="bytemd-mermaid" style="line-height: initial;">
  <svg aria-roledescription="flowchart-v2" ...>...</svg>
</div>

处理步骤:

  1. 在 HTML 中查找 class="bytemd-mermaid" 元素
  2. 检查是否包含 <svg> 内容
  3. 如果有 SVG,提取完整的 <svg>...</svg> 内容
  4. 保存为 .svg 文件,命名为对应章节标题
  5. 在 Markdown 中使用图片引用

注意事项:

  • 部分 bytemd-mermaid div 可能是空的(作者未添加内容),需要跳过
  • SVG 文件较大(通常 30-50KB),需要单独存储
  • 使用相对路径引用:![流程图](images/日期-文章名/图表名.svg):
![流程图](https://mermaid.ink/img/Z3JhcGggVEQ7IEEtLT5COw==)

方案 C:截图保存(备选)

如果无法提取原始代码,可以截图渲染后的 SVG:

// Playwright 截图示例
const element = await page.$('.bytemd-mermaid svg');
await element.screenshot({ path: 'mermaid-diagram.png' });

注意:此方法需要额外的图片存储。

处理建议

场景 推荐方案
使用 Obsidian/Typora 方案 A(保留代码)
需要通用兼容 方案 B(mermaid.ink 图片)
离线使用 方案 C(截图保存)

第九步:处理列表

有序列表:

1. 第一步
2. 第二步
3. 第三步

无序列表:

- 项目一
- 项目二
- 项目三

嵌套列表:

1. 主项目
   - 子项目一
   - 子项目二
2. 下一个主项目

处理规则:

  1. 确保列表项前后有空行
  2. 嵌套使用 2 或 4 空格缩进
  3. 列表符号统一(无序用 -,有序用 1. 2. 等)

第十步:添加元信息

在文件开头添加 YAML frontmatter:

---
title: 文章标题
author: 作者名称
source: 原始链接
date_saved: 保存日期
tags: [掘金, 其他标签]
---

第十一步:保存文件

文件命名规则:

  • 格式:YYYY-MM-DD-标题摘要.md
  • 标题摘要:取标题前 30 字符,去除特殊字符
  • 示例:2026-03-19-开源分布式IM系统介绍.md

常见问题处理

问题 1:代码块格式混乱

原因:掘金代码块包含按钮文字

解决方案:

清理代码块开头的前 3-5 行无关内容
保留实际代码
确保语言标识正确

问题 2:链接无法访问

原因:使用掘金跳转链接

解决方案:

解析 link.juejin.cn?target=xxx
提取并解码真实 URL
直接使用真实链接

问题 3:图片无法显示

原因:

  1. 图片链接过期
  2. 使用了头像等无关图片

解决方案:

保留 p*-xtjj-sign.byteimg.com 和 p*-juejin-sign.byteimg.com 域名图片
丢弃 lf-web-assets.juejin.cn 和 passport 相关图片

问题 4:表格格式错乱

原因:表格前后缺少空行

解决方案:

确保表格前后各有一个空行
检查表头分隔符
确保每行列数一致

问题 5:Mermaid 图表丢失或显示异常

原因:

  1. 需要从 window.__NUXT__ 数据中提取原始 Mermaid 代码
  2. bytemd-mermaid div 可能为空(作者未添加内容)

解决方案:

方案 A:从 __NUXT__ 提取原始 Mermaid 代码(推荐)
  - 查找 <script>window.__NUXT__= 标签
  - 解码 Unicode 转义序列(\uXXXX)
  - 解码换行符(\n → 实际换行)
  - 用正则提取 ```mermaid ... ``` 代码块
  - 直接嵌入 Markdown 文件

方案 B:提取 SVG 保存为文件(备选)
  - 仅当 __NUXT__ 中没有 Mermaid 代码时使用
  - 查找 .bytemd-mermaid 内的 <svg> 标签
  - 保存为 .svg 文件

方案 C:跳过空图表
  - 检查 bytemd-mermaid div 是否包含 SVG
  - 如果为空,保留章节标题但不添加图表
  - 这是作者原文就没有图表,不是转换问题

代码示例(提取 Mermaid 源码):

import re

# 找到 __NUXT__ 脚本
script_match = re.search(r'<script[^>]*>window\.__NUXT__\s*=', html)
if script_match:
    script_end = html.find('</script>', script_match.start())
    script = html[script_match.start():script_end]

    # 解码转义
    decoded = re.sub(r'\\u([0-9a-fA-F]{4})',
                     lambda m: chr(int(m.group(1), 16)), script)
    decoded = decoded.replace('\\n', '\n')

    # 提取 Mermaid 代码
    blocks = re.findall(r'```mermaid\n(.*?)```', decoded, re.DOTALL)
    for code in blocks:
        print(code)  # 输出原始 Mermaid 代码

输出模板

---
title: {{文章标题}}
author: {{作者}}
source: {{原始链接}}
date_saved: {{保存日期}}
tags: [掘金, {{其他标签}}]
---

# {{文章标题}}

> 作者:{{作者名称}}
> 来源:掘金
> 链接:{{原始链接}}
> 发布日期:{{发布日期}}

![封面图片]({{封面图片链接}})

{{正文内容}}

---

*本文由 [juejin-article-to-markdown] 自动转换*
*保存自掘金文章,仅供个人学习使用*

示例工作流

用户输入:

保存这篇掘金文章 https://juejin.cn/post/7549107076905173028

处理步骤:

  1. 并行获取 HTML 和 markdown 两种格式
  2. 提取元信息:标题、作者、日期、标签
  3. 清理导航栏:移除首页、沸点、课程等
  4. 清理代码块:删除"体验AI代码助手"等按钮文字
  5. 处理链接:解析跳转链接,提取真实 URL
  6. 处理图片:保留正文图片,丢弃装饰图片
  7. 格式化表格:确保表格格式正确
  8. 添加 frontmatter:元信息
  9. 保存文件:按命名规则保存

与微信文章处理的区别

特性 微信公众号 掘金
图片域名 mmbiz.qpic.cn byteimg.com
外链处理 通常无外链 需解析 link.juejin.cn
代码块 无特殊按钮 需清理按钮文字
Mermaid图表 无 需提取原始代码或转图片
评论 需移除评论区 需移除评论区
推荐 无推荐文章 需移除推荐列表
目录 通常无目录 可选择性保留

注意事项

  1. 版权提醒:保存的文章仅供个人学习使用,请勿二次传播
  2. 图片时效:掘金图片链接带签名,有时效性
  3. 代码块:特别注意清理按钮文字
  4. 外链:记得解析跳转链接
  5. 表格:确保格式正确,前后有空行
  6. Mermaid 图表:掘金将 Mermaid 渲染为 SVG,需提取 SVG 保存为文件;部分 bytemd-mermaid div 可能为空(作者未添加内容)
  7. 不要添加原文不存在的内容:保持文章原意,避免曲解作者意图

相关技能

  • wechat-article-to-markdown - 处理微信公众号文章
  • pdf - 处理 PDF 文件
  • docx - 处理 Word 文档