DeepSeek Harness 插件：图文平台内容批量抓取与 OCR

前言¶

在对话里按关键词批量抓取小红书笔记与微信公众号文章，并把每篇的正文、图片文字、视频抽帧文字和评论样本读成结构化数据，是智能体开发中常见的需求。已有做法往往需要单独配置爬虫、处理登录状态、解析服务端渲染页面，集成成本高。DeepSeek Harness（DSH）的插件生态通过「一切皆插件」的理念，让这类能力在对话中即插即用。下面介绍 roderickwilliams/dsh-picture-text-reader 插件，它封装了小红书与公众号的批量读取流程，并支持本地 OCR 与视频抽帧，每条结果都携带原文链接。

插件定位¶

这是 DeepSeek Harness 的一个联网工具插件，维护者为 RoderickWilliams。插件本身很薄，真正执行逻辑的是随包分发的 Python 脚本 python/xhs_batch.py，可与 DSH 技能直接调用。它面向需要从图文平台批量抽取内容的开发者与智能体，以只读方式获取结构化数据，不发布、不互动。

核心功能¶

插件提供以下工具，按使用场景划分：

xhs_search：用于「去小红书搜一下 X」「批量找 X 的笔记并识别内容」。支持多关键词、排序筛选（不指定则四种排序轮换）、图文/视频筛选。
xhs_read：用于「把这几篇读一下」，支持小红书笔记链接、博主主页、首页推荐流。
xhs_login：小红书搜索与博主主页需要登录；默认弹出 Chrome 登录窗口，扫码一次后 cookie 长期复用。
xhs_status：检查后端是否存活、小红书登录状态、cookie 到期时间。
gzh_search：用于「搜一下公众号里关于 X 的文章」。走搜狗微信搜索，默认继续逐篇读正文；read:false 只看搜索结果清单。
gzh_read：用于「读一下」mp.weixin.qq.com 文章链接。

输出与产物¶

执行后，产物落在 ~/.xhs-batch-reader/runs/<时间戳>/（公众号在 wechat-runs/），包含：

notes.json：结构化 JSON，每条记录含 source_url 字段。
notes.md：Markdown 格式，每篇有「原文链接」行。
digest.md：摘要 Markdown，每篇有「原文：」行。
images/：图片文件。
ocr/：图片 OCR 结果。

原文链接在小红书为 https://www.xiaohongshu.com/explore/<note_id>?xsec_token=<token>&xsec_source=pc_search，在公众号为文章原始 URL（https://mp.weixin.qq.com/s?...）。

运行前提¶

第一次安装完成后需配置一次环境：

Python 3.12+：插件按 XHS_PYTHON → ~/.dsh/runtimes/skills/py/python.exe → python 的顺序查找解释器。
图片 OCR（可选）：python -m pip install rapidocr-onnxruntime；不装也能跑，只是不出图片文字。
视频抽帧（可选）：把 ffmpeg 放进 PATH，或用 XHS_FFMPEG 指向可执行文件。
小红书只读后端：下载 xpzouying/xiaohongshu-mcp 的 xiaohongshu-mcp-windows-amd64.exe，放到 ~/.xhs-batch-reader/bin/，或用 XHS_MCP_EXE 指向它。首次登录后 cookie 存在 ~/.xhs-batch-reader/cookies.json，之后长期复用。
登录：调用 xhs_login 弹出 Chrome 登录窗口扫码；xhs_status 会显示后端端口、登录状态和 cookie 到期时间。

环境变量¶

XHS_PYTHON：Python 解释器，默认自动找 DSH 运行时 python，找不到退回 python。
XHS_CLI：xhs_batch.py 路径，默认用包内 python/xhs_batch.py。
XHS_RUNS：输出根目录，默认 ~/.xhs-batch-reader/runs。
XHS_MCP_EXE：小红书只读后端可执行文件。
XHS_FFMPEG：ffmpeg 路径。

限制¶

小红书搜索、博主主页需要登录（扫码一次，cookie 长期复用）；只读单篇链接不需要登录，但链接必须带 xsec_token。
公众号搜索依赖搜狗微信，触发反爬时会返回「要求验证码」；此时改用文章链接直接读。搜狗跳转出来的链接带 timestamp/signature 时效签名，过期后请用文章原始 /s/<code> 短链。
一次最多读 50 篇；每篇默认最多 12 张图、视频 4 帧。批量 20 篇通常两三分钟。
OCR 会认错个别字，识别结果按原文保留，不做自动纠错。

调研与借鉴¶

公众号抓取没有引入任何运行时依赖，参考了以下项目的做法（星数取 GitHub API）：

项目	★	License	借鉴点
wechat-article/wechat-article-exporter	13081	MIT	页面字段（`var ct/nickname/author/user_name/biz/mid/idx/sn`）与 `samples/` 真实快照可当回归样本
chyroc/WechatSogou	6400	Apache-2.0	搜狗 cookie（SUV/SNUID）、`/link` 跳转与 antispider 处理思路
likemaoke/wechat-article-to-md	37	MIT	URL→Markdown 的最小解析参考

没有采用 wechatDownload（无源码、无 license）、wechat_articles_spider（需公众号后台扫码，按公众号名抓而非 URL）、MediaCrawler（不支持公众号，且许可限非商业学习）。

安装与启用¶

在 DeepSeek Harness 环境中，通过以下命令安装插件：

dsh plugin add github:RoderickWilliams/dsh-picture-text-reader

安装后插件即进入可用状态，可在对话中直接调用上述工具。

典型用法¶

登录小红书：调用 xhs_login，完成扫码后 cookie 长期复用。
搜索笔记：xhs_search 关键词与排序参数，返回结构化结果。
读取单篇或批量：xhs_read 传入链接或博主主页，生成 notes.json 与 notes.md。
搜索公众号文章：gzh_search 关键词，默认继续读正文；read:false 只看清单。
读取公众号文章：gzh_read 传入 mp.weixin.qq.com 链接，产出结构化数据。

适用场景与注意¶

适合需要从小红书与微信公众号批量抽取内容的智能体或开发者。插件以当前 DSH 进程权限运行，安装前应检查源码与许可证。仅限只读使用，不发布、不点赞、不评论。

短结尾¶

该插件将小红书与公众号的批量读取、本地 OCR 与视频抽帧能力集成到 DSH 生态，使智能体在对话中即可完成图文内容结构化抽取。目录页与源码见：https://www.skillhub.cn/plugins/RoderickWilliams/dsh-picture-text-reader 与 https://github.com/RoderickWilliams/dsh-picture-text-reader。