用途:分析详情页或列表页的 HTML,为代码生成系统产出字段提取说明。分析结果由不具备 HTML 访问权限的独立代码生成代理读取,因此需足够详细以支撑其编写正确的 web-poet 提取代码。
输入:参数串 $ARGUMENTS 按空白拆分为 4 个位置参数——page_html_path(保存的 HTML 路径)、work_path(分析输出工作目录)、spec_path(spec.json 路径)、values_path(该页 values JSON 路径)。fields 来自提示文本,可选,指定时只分析这些字段。页面目录中的 meta.json 提供来源 URL 与 page_type。
主要能力:读取 schema 的 properties 与 values 的 values;用 level 0 清洗保留脚本,命令为 mkdir -p {work_path}/codegen-analyze、uv run ${CLAUDE_SKILL_DIR}/../scrape-analyze-page/scripts/clean_html.py PAGE.html -l0 -o {work_path}/codegen-analyze/{page_id}.cleaned.html、uv run ${CLAUDE_SKILL_DIR}/../scrape-analyze-page/scripts/extract_metadata.py PAGE.html -u PAGE_URL -o {work_path}/codegen-analyze/{page_id}.metadata.json;仅读取清洗后 HTML 与元数据 JSON。
列表页(page_type 为 list 或 page_id 以 list- 开头):识别包裹全部字段的最小重复容器选择器(container_selector)、各字段相对容器的选择器、预期条目数,输出供生成 for container in self.css(...): 循环。详情页:逐字段考察 HTML 元素、JSON-LD、Microdata、OpenGraph、其他 script 内嵌 JSON、URL 组件、meta 标签、隐藏输入或 data-* 属性,说明选择器/XPath、后处理、可靠性并给出 HTML 片段与推荐方法。
目标值:有期望值时与 HTML 核对,匹配则采用,不符则记录差异并给出修正值;页面无数据则置 null。输出保存至 {work_path}/codegen-analyze/{page_id}.json,详情页含 url、page_id、fields(每字段 target_value 与 analysis),列表页另含 is_list_page、container_selector、item_count 及 target_values。最后返回紧凑摘要。
限制:依赖已保存 HTML 与 meta.json;分析质量取决于页面结构稳定性;未提供具体支持站点、收费或平台信息。