xhsx 0.3.0

Extract Xiaohongshu (RED) notes as faithful Markdown — fetch + vision OCR + heuristic page stitching, no LLM rewriting.

XHSExtractor

小红书（RED）链接 → 逐字还原的 Markdown 文章。
抓取 + 图片 OCR + 启发式跨页拼接，一条命令搞定。

✨ 特性

• 🔗 支持 xhslink.com 短链和 xiaohongshu.com/.../<note_id> 长链
• 🖼 自动下载所有图片，并发 OCR（通过 OpenAI 兼容端点调 gpt-4o）
• 🧷 逐字还原：不总结、不改写、不润色 —— 图里是啥，输出就是啥
• 🪄 启发式跨页拼接：识别句子在页底被截断的情况自动粘接，列表/段落边界保留换行
• 📝 输出结构化 Markdown（H1 标题 / 作者 / 摘要 / 正文 / 标签 / 原图画廊）
• 📦 也可输出 JSON，方便下游程序处理

🚀 快速开始

pip install xhsx
playwright install chromium          # 首次需要装 headless 浏览器

# 设置 OpenAI 兼容端点（任选一个）
export COPILOTX_BASE_URL="https://api.openai.com/v1"
export COPILOTX_API_KEY="sk-..."

xhsx "https://xhslink.com/xxxxx"                  # 终端预览
xhsx "https://xhslink.com/xxxxx" -o note.md       # 写入 Markdown
xhsx "https://xhslink.com/xxxxx" --json > out.json
xhsx "https://xhslink.com/xxxxx" --headed         # 调试时显示浏览器

⚙️ 环境变量

变量	默认	说明
COPILOTX_BASE_URL	https://api.polly.wang/v1	OpenAI 兼容 endpoint
COPILOTX_API_KEY	copilotx	API key
XHSX_VISION_MODEL	gpt-4o	图片 OCR 模型

也可在项目根目录放 .env 文件，首次导入时会自动加载。

🧱 架构

URL ─► fetcher.py ─► Playwright headless chromium
                       └─ window.__INITIAL_STATE__ (JSON)
                             └─ Note(title, desc, images, author, tags)

images ─► llm.ocr_images()  ─► 下载（带 Referer 头）
                               └─ base64 内联为 data URL
                                 └─ 并发调用 vision LLM
                                    └─ List[text] (每页一段)

Note + OCR ─► pipeline._assemble_markdown()
                ├─ 启发式跨页拼接（末字未收尾 + 下一页非新段 → 粘起来）
                └─ H1 / 作者 / 摘要 / 正文 / 标签 / 原文链接

🧪 作为库调用

import asyncio
from xhsx.pipeline import extract

async def main():
    result = await extract("https://xhslink.com/xxxxx")
    print(result.merged_article)

asyncio.run(main())

返回值是 ExtractResult：

• note: 结构化笔记（标题、作者、图片 URL 列表、标签……）
• ocr_texts: 每页的 OCR 原文
• merged_article: 拼好的 Markdown
• elapsed_sec: 耗时

🗺 Roadmap

• Phase 1: CLI / Python 库（当前）
• Phase 2: HTTP API（FastAPI）
• Phase 3: Web UI（粘贴链接即用 + 历史记录）

⚠️ 注意

• 小红书页面结构会变化，fetcher.py 的 __INITIAL_STATE__ 路径可能需要跟随调整
• 登录墙内容（部分私密笔记）抓不到
• OCR 偶有错字（模型能力所限），不做后处理 —— 避免"改对 A 字，改错 B 字"
• 默认并发 4，过高容易触发风控
• 请遵守小红书服务条款与目标内容版权，仅用于个人内容整理

📝 License

MIT © Polly (Baoli Wang)