用途:从本地保存的 HTML 文件中提取结构化数据,识别页面所有可用字段及其值,可选按 schema 提取。
主要能力:支持四种模式——无 schema 的发现模式(自行命名 snake_case 字段)、默认 schema 模式(按 schema 字段名与示例提取,并补充额外字段)、schema 严格模式(仅提取 schema 字段)、--list-mode 列表模式(提取页面所有重复条目为数组)。可结合清洗后的 HTML 与元数据(如 JSON-LD)作为数据源,元数据常提供更完整的结构化值。
使用方式:输入需提供 HTML 文件路径,可选输出文件路径、data-type spec.json 路径、是否严格提取、--list-mode。流程为先清洗 HTML 并提取元数据,命令示例:mkdir -p .scrape/.work/analysis;uv run ${CLAUDE_SKILL_DIR}/scripts/clean_html.py PAGE.html -l1 -o .scrape/.work/analysis/{page_id}.{html_variant}.cleaned.html;uv run ${CLAUDE_SKILL_DIR}/scripts/extract_metadata.py PAGE.html -u PAGE_URL -o .scrape/.work/analysis/{page_id}.{html_variant}.metadata.json。仅读取清洗后的 HTML 与元数据,禁止读取原始 HTML。随后提取字段并保存 JSON,最后返回字段摘要。
适用场景:商品详情页、列表页等本地 HTML 的结构化信息抽取。
限制:仅处理单个页面,不与其他页面分析文件比较;未提供 HTML 路径则不执行;schema 字段无值时省略;大值需截断预览;具体收费、平台支持等信息暂未提供。