微信文章 → 打印版 PDF / HTML
先选路线
| 用户的要求 | 走哪条 |
|---|---|
| "完全参考原链接排版"、要 HTML、要保留原文居中/楷体/加粗/颜色 | 路线 A：富文本保真（scripts/rich_split.py，推荐） |
| 只要干净 PDF、能接受重新排版、原文无样式要求 | 路线 B：纯文本重排（scripts/extract_wechat.py + 自建 HTML + Edge 打印） |
拿不准就走 A：保留原文排版，用户满意度更高。B 是"原文没样式或只要文字"的简化路径。
路线 A：富文本保真（推荐）
直接复用原文 js_content 的 HTML 子集——内联样式（居中、楷体、加粗、颜色）全部自带，排版与原链接一致。
1. 抓原文
mkdir -p C:/Users/hu_gh/AppData/Local/Temp/wbpdf_N
curl -sL -A "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" "URL" -o C:/Users/hu_gh/AppData/Local/Temp/wbpdf_N/page.html
2. 一步产出（拆分 + 清洗 + 自动检查）
PY=C:/Users/hu_gh/.workbuddy/binaries/python/envs/default/Scripts/python.exe
SK=C:/Users/hu_gh/.workbuddy/skills/wechat-article-to-pdf/scripts/rich_split.py
"$PY" "$SK" C:/Users/hu_gh/AppData/Local/Temp/wbpdf_N/page.html \
--out "D:/BaiduSyncdisk/TEMP_FILES/JACK/高中/语文/作文"
- 不传
--title时自动从页面元数据提取原文标题（og:title → twitter:title → msg_title → activity-name → rich_media_title），用作文件名和页面<title>——这是默认且推荐的做法 - 只有页面确实取不到标题时才用
--title手动指定，且必须填原文完整标题 --split-word：答案区首块的完整文本（默认"参考答案"）--ad-word：广告/导航区起点标记（默认"本号VIP导航"），其后整块丢弃- 加
--pdf可同时用 Edge 转 PDF --no-title-heading：页首不补原文标题（默认会补。微信标题在js_content之外，正文里没有，打印版必须补回来，否则纸张上没有标题）--mode interleaved：汇编/合集类专用。答案逐套穿插（【答案】/【解析】/【翻译】/【赏析】/【导语】、独立的"参考答案"标题、"故选X。"单行），用"答案组"状态机切：遇到答案起始块进入答案态，遇到新题起始块（一、二、…／数字.下列对·请·本诗·本词·全诗·词／阅读下面／【年份】）退出。试题版里不应残留任何答案痕迹（自动检查"参考答案/【答案】/【解析】/【翻译】/【赏析】/故选"应为 0）。
脚本会打印总块数、拆分位置、所用标题，并自动检查：水印残留 / img / a / script 计数、答案泄漏、预填选项括号。边界异常（广告块早于答案块、找不到拆分块）会报错退出。
先把拆分点打出来看（专练/汇编类文章结构多变，不要盲猜）：
python - <<'EOF'
import sys; sys.path.insert(0, r"C:/Users/hu_gh/.workbuddy/skills/wechat-article-to-pdf/scripts")
from rich_split import read_blocks, block_text
for i, b in enumerate(read_blocks("page.html")):
t = block_text(b)
if t:
tag = " [ANS]" if "参考答案" in t else (" [AD]" if "本号VIP导航" in t else "")
print(f"{i:3d}{tag} | {t[:70]}")
EOF
看 [ANS] 与 [AD] 的块号是否符合预期，再跑正式命令。
2.1 命名与标题铁律（必守）
- 保留原文标题原文：文件名 =
原标题（试题版/答案版），页面<title>=原标题（试题版/答案版），不要自拟简写（如把"江西吉安市2027届高三上学期联考模拟预测语文试题及参考答案"缩成"高三语文"）。 - 只做两件事：去掉 Windows 非法字符
\/:*?"<>|、把连续空白并成一个。 - 页内首行若与原文标题不符（比如原文正文首块只是"高三语文"这类短标题），把它替换成完整原文标题。
- 重命名时同批产物（HTML / PDF）一起改，避免同一份材料出现两套文件名。
2.2 答案版须完整保留解析（必守）
- 答案版 = 参考答案 + 全部解析，二者缺一不可。拆分时答案区整段落入答案版，不得只留"答案"丢"解析"。
- 专练/套卷类（文末单个「参考答案」块）：解析常不以"解析"二字标注，而是直接以「本题考查学生…」「本题考查…」「故选X」开头的段落紧跟在答案之后。这类解析段一律归入答案版保留，不能因为 grep 不到"解析"就误判为"无解析"（2026-10-03 专练（一）（二）即此情况：答案版已含完整解析，只是无"解析"标签）。
- 汇编/合集类（逐套穿插）：【答案】【解析】【翻译】【赏析】【导语】全部归入答案版；
--mode interleaved的状态机会把它们一起收进答案态。 - 校验：答案版文本应出现「考查学生/本题考查/【解析】/故选」等解析标志；若源里确实只有干答案（无任何解析性文字），才在交付说明里注明"源无解析"，不得编造解析。
3. 人工目检（必做）
EDGE="/c/Program Files (x86)/Microsoft/Edge/Application/msedge.exe"
"$EDGE" --headless --disable-gpu --hide-scrollbars --user-data-dir=".../prof" \
--screenshot=".../q.png" --window-size=900,1900 "file:///.../ascii_name.html"
中文文件名先复制成 ASCII 临时名再截图（file:// URL 不接受中文）。Read 截图确认标题居中、诗句楷体居中、段落缩进。
路线 B：纯文本重排
"$PY" .../extract_wechat.py page.html > article.txt # 提取纯文本（自带水印清理）
再按结构自建 HTML。用户认可过的试卷版式：宋体 12pt、行距 1.9、A4、margin 20mm 16mm；诗歌/标题/作者居中，题号与选项首行缩进 2em，注释顶格，答案解析缩进。
拆分规则：常规按"参考答案"节切；汇编/合集类的答案常逐套穿插（【答案】【解析】【翻译】【赏析】），要按内容边界逐套切开，别死抠标题。
必做清洗（两条路线都要）
- 白色隐形水印（最容易漏）：超然客系把"超然客公众号"做成
color: rgb(255,255,255)白字缝在长段落末尾，页面上不可见，复制/打印才现形。务必replace("超然客公众号","")+超\s*然\s*客\s*公?\s*众?\s*号兜底，最后 grep"超然客"=0。 <script>、<o:page>（Word 残留）、<a>（留文字）、<img>、<iframe>全部清掉。- 广告区：从"本号VIP导航"起整块删（含导航图、二维码、"完整电子版下载回复""一个有态度、有价值的公众号""校编声明"）。
- 正文文字逐字保留，不改写、不概括、不增删。
交付前检查清单
- 命名与标题：文件名与
<title>= 原文完整标题 +（试题版/答案版）；同批 HTML/PDF 命名一致；无自拟简写、无非法字符。 - 文字完整性：最终文本与提取文本逐行 diff（忽略空白），目标 0 实质差异。diff 脚本要先删
<head>/<style>、把字面&nbsp;替成空格，否则全是误报。 - 答案泄漏：试题版 grep 参考答案/【答案】/【解析】/故选/正确答案，以及
（[A-D]）形式的预填括号。注意文言文断句题的 [A][B][C] 是题目本身的断句点，不是答案，必须保留。 - 答案版含解析：grep 考查学生/本题考查/【解析】/故选/【赏析】/【翻译】 → 应出现（专练类解析多以"考查学生…"开头，无"解析"标签也正常）；若源确实无解析性文字，在交付说明里注明"源无解析"，不得编造。
- 广告词：grep VIP导航/二维码/关注/回复：/电子版/公众号 → 0。
- 视觉：Edge 截图 Read 目检首页。
坑
- WebFetch 抓长文必截断（3 万字以上），别反复重试，直接 curl + 解析
js_content。 - Edge 本机是 x86 路径：
/c/Program Files (x86)/Microsoft/Edge/Application/msedge.exe。 - PDF 输出：先写 ASCII 临时名，再
mv成中文名。临时目录若在 C 盘、产物在 D 盘，os.replace会抛 WinError 17（不能跨盘移动），必须用shutil.move——脚本已内置兜底。 - 并行多任务时 Edge 的
--user-data-dir必须各自独立，否则互锁。 - 工作区在百度同步盘：读写可能瞬时失败/短暂换位（现象：同一路径 grep 成功但 python open 失败）。看到了重试即可，别当成丢文件。
- 百度同步盘会锁文件：被同步进程占用的旧文件（如要覆盖的同名 PDF）
os.replace/os.remove会WinError 5 拒绝访问，且本环境的 safe-delete 对删除是 fail-closed（删不掉就保留）。对策：① 覆盖 PDF 前把临时文件写在同盘同目录，再shutil.move（已内置重试）；② 若目标旧文件被锁死无法替换，把新版 PDF 落到同名子文件夹（避开占用），旧文件留待用户手动删；③ 不要试图用工具硬删被锁的旧 PDF。 - 最终文件名 = 原文完整标题（不是自拟简写），去 Windows 非法字符
\/:*?"<>|，重名加"（二）"。
批量做法
多篇文章并行派子代理（每篇一个），把上述流程写进 prompt，临时目录按编号分开（wbpdf_1、wbpdf_2…）。参考 2026-10-03：6 篇并行一次成功。
实战记录
2026-10-03：7 篇语文试题文章。路线 A 产出高三语文试题版/答案版 HTML——文字 0 差异、0 答案泄漏、清 10 处隐形水印，用户评价"完成得很好"。
2026-10-03（第二次）：《高考现代文阅读之外国小说考点专练（一）》。402 块，试题 0–255 / 答案 256–392 / 广告 393 起弃。新增「页首补原文标题」能力（微信标题在 js_content 之外，打印版没有标题）。交付前比对：原文 386 有效行 vs 产物 386 行，0 差异；试题版中"答案"二字出现 0 次（来源本就没有"答案标号涂黑"类表述）；水印/广告残留 0。试题版 20 页、答案版 12 页。
2026-10-03（第三次）：《高考十年（2017—2026）古诗阅读汇编（一）～（四）》用路线 A 富文本保真重做（之前是纯文本重排版，排版差）。四篇均为答案逐套穿插结构，必须用 --mode interleaved：新增"答案组"状态机（答案起始块→进入答案态；新题起始块→退出）。四篇均通过自动检查：试题版答案泄漏 干净、水印/广告 0、预填括号 0；文字完整性（去页首补的 2 行标题后）与原文逐行一致。踩坑：① 旧同名 PDF 被百度同步盘锁死（WinError 5）+ safe-delete fail-closed，无法原地覆盖/删除，新版 PDF 落到子文件夹 古诗汇编_富文本PDF/，根目录保留 faithful HTML；② 子文件夹里重复的 HTML 可正常删，旧 PDF 删不动。
2026-10-03（第四次）：《高考现代文阅读之外国小说考点专练（二）》路线 A 富文本保真重做。默认模式（专练类，文末单个「参考答案」）：388 块，试题 0–227 / 答案 228–378 / 广告 379 起弃。关键经验：新文件名 （二）（试题版/答案版）.pdf 与旧完整版 （二）.pdf 不同名，不撞同步盘锁，PDF 可直接落根目录（区别于古诗汇编那次同名覆盖被锁）。自动检查全过：答案泄漏干净、水印/广告 0、预填括号正确；文字完整性：原文 377 有效行 = 试题 228 + 答案 149（各自另有 1 行页首标题，故 229+150）；PDF 试题版 20 页 / 答案版 12 页。
