BAIDU_PADDLEOCR_TOKEN=你的token

获取 Token：访问百度 AI Studio，免费注册，每天 1 万次免费调用。

3. 登录抖音（只需一次）

python <skill_path>/scripts/login.py

浏览器打开抖音，扫码登录后关闭。登录状态自动保存，后续无需重复操作。

使用

# 采集 10 篇图文笔记（含 OCR）
python <skill_path>/scripts/full_workflow.py --keyword "韩国医美"

# 指定数量
python <skill_path>/scripts/full_workflow.py --keyword "减肥餐" --count 5

# 跳过 OCR（仅截图）
python <skill_path>/scripts/full_workflow.py --keyword "咖啡" --no-ocr

参数	说明	默认值
`--keyword`	搜索关键词	必填
`--count`	采集笔记数量	`5`
`--no-ocr`	跳过 OCR	关闭

输出

报告保存至 output/notes_{keyword}_{timestamp}.md，图片保存至 data/images/。

每篇笔记包含：

🔥 热度分数（点赞数 / 发布天数）及计算公式
👍 点赞数、发布时间、作者、原文链接
📝 原文描述
🔍 OCR 识别的图片文字（支持多图）
🖼️ 本地截图路径

技术特点

Playwright 截图：通过 element.screenshot() 截取内容图，绕过抖音图片 URL 反爬虫
图文过滤：自动识别并跳过视频，只采集「图文」类型笔记
OCR 噪音过滤：自动去除截图中的抖音导航栏文字（精选/推荐/关注等）
多图支持：一篇图文多张图片逐张截图 + OCR，合并识别结果
反检测：有头浏览器（headless=False）+ 拟人操作节奏，避免触发验证码
热度公式：likes / days_ago，越新越热排越前

目录结构

douyin-scraper/
├── scripts/
│   ├── full_workflow.py   # 主流水线
│   └── login.py           # 登录脚本
├── data/
│   └── images/            # 截图
├── output/                # Markdown 报告
├── profile/               # 浏览器登录状态
└── .env                   # Token 配置

douyin-scraper

douyin-scraper

⚠️ 前置配置

1. 安装依赖

2. 配置 Baidu PaddleOCR Token