生成公众号语文试题与答案 PDF

把微信公众号上的语文高考试卷文章，转成排版保真的打印版 PDF + HTML，自动拆成（试题版）和（答案版）两份。

首选路径：用户直接给链接

用户甩 mp.weixin.qq.com/s/... 链接时，直接抓，不要先去搜狗搜。 实测直连一次 200、3–4MB 完整正文，无验证码、不限流；而搜狗搜索端点一天可能连续多轮限流。

mkdir -p <TMP>
curl -sL -A "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36" \
  "<URL>" -o <TMP>/page.html -w "size=%{size_download}\n"

抓完先核对元信息（确认是哪个公众号、哪天的文章，转载源极易混淆）：

python -c "
import re,html as H,time
raw=open('page.html',encoding='utf-8',errors='ignore').read()
for p,l in [(r'var biz = \"([^\"]+)\"','biz'),(r'id=\"js_name\"[^>]*>\s*([^<]*)','公众号'),
            (r'property=\"og:title\" content=\"([^\"]*)\"','标题')]:
    m=re.search(p,raw)
    if m: print(f'{l}: {H.unescape(m.group(1)).strip()[:100]}')
m=re.search(r'var oriCreateTime = [\'\"](\d+)',raw)
if m: print('发布时间:',time.strftime('%Y-%m-%d %H:%M',time.localtime(int(m.group(1)))))
"

• biz 是公众号唯一标识，比 js_name（昵称）可靠；发布以 oriCreateTime 为准。
• 正文是否真被截断，看 js_content 是否存在。别把"正文里出现『验证』二字"当成验证码页——那是误报；真判据是 wappoc_appmsgcaptcha / 环境异常 / 请输入验证码。

没有链接时：从搜狗发现文章

> 本节整段是"发现层"，可用性远不如上面的"直抓层"。搜狗 IP 级限流是常态，命中就转到 WebSearch 收尾，不要死磕。

搜狗抓取链路

1. 搜索页：curl -s -c <T>/sogou.jar -A "<桌面 Chrome UA>" "https://weixin.sogou.com/weixin?type=2&query=<URL编码关键词>" -o <T>/sg.html
   - 结果块是 <li id="sogou_vr_11002601_box_N">，块内 /link?url=... 是跳转链接。
   - 公众号名在 <span class="all-time-y2"> 里（account_name 属性取不到，会误判成"查不到来源"）。
   - 日期在块内 timeConvert('1791313342') 时间戳里，必须换算后比对——搜狗排序不按时间，标题里的月份不代表是新文。
   - 不要加 &tsn=1（按时间筛选直接触发反爬，返回 63 字节空页）。
   - 关键词里绝不要带公众号名（搜狗对账号名权重低，带了反而压制结果甚至触发反爬）。正确做法：搜标题样式词（如 2026-2027学年高三上学期10月语文试题及参考答案），再按 all-time-y2 事后过滤归属。
   - 不要搜超长完整标题：常返回 11–12KB 正常页但 0 结果（关键词过偏），看起来像限流实则是空结果。用短核心词，再用省市名做标题内过滤。
   - 连续请求间隔 3.5s，20 组以内，跑完即停。
2. 跳转页：同一 jar + -H "Referer: https://weixin.sogou.com/" 抓 /link?url=...，返回是分片 JS：
   url += 'https://mp.'; url += 'weixin.qq.c'; ...
   按顺序拼接全部 url += '...' 片段并 replace("@","")，得真实 mp.weixin.qq.com/s?... 地址。query= 后可能含空格，必须替换成 %20，否则 curl 报 Malformed input、Python 报 URL can't contain control characters。
3. 正文页：curl 真实地址存 page.html（普通文章 1–5 MB）。
4. /link?url= token 有时效，拿到后尽快 resolve + 抓正文；隔久再 resolve 会 302 到 /antispider/，必须重新搜索拿新链接。

止损红线（命中即停，别硬撑）

搜索页 size < 1KB 即为 IP 级限流（正常空结果是 11–12KB）。以下手段全部实测无效，不要做：

• ❌ 换 cookie jar / 重新 warm 首页（首页仍是 6694 字节正常，说明只限了搜索端点）
• ❌ 逐级退避重试（20s→100s→240s→300s，累计 9 分钟全失败）
• ❌ 后台再挂一条长退避任务（纯烧时间）
• ❌ 换 UA、换 IP 变体

命中后正确做法：立刻转 WebSearch 做 4–6 次交叉验证（带 freshness 分档、限定站点、加 mp.weixin.qq.com 定向），仍无命中就输出「检索受限 + 已知候选清单 + 请用户直接甩链接」。一个轮次上限 15 分钟。

搜狗索引滞后，必须主动补漏

「当天搜不到」≠「当天没发」。实测：某日 06:52 发的文章在当日 08:45 那轮搜不到，次日才被索引。所以每轮除了搜当天，还要扫候选列表按日期倒序，主动发现前两天漏掉的文章。

查到的含"某公众号"水印的转载源不等于当天新文，务必核对 timeConvert / oriCreateTime 时间戳。

拆分：先打块结构，别盲猜

文章结构多变（专练/套卷/汇编/逐套穿插），先打印块结构确认拆分点：

# PY 指向任意可用的 Python 3（需标准库即可，无第三方依赖）
PY=<你的 Python 3 可执行文件路径>
SK=<技能目录>/scripts
"$PY" -c "
import sys; sys.path.insert(0,r'$SK')
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[:68]}')
"

选择模式：
- 默认模式——文末有单个「参考答案」块（专练/套卷类，绝大多数）。脚本自动切。
- --mode interleaved——汇编/合集类，答案逐套穿插（【答案】【解析】【翻译】【赏析】、独立的"参考答案"标题、"故选X。"单行）。用"答案组"状态机切：遇答案起始块进答案态，遇新题起始块退出。

一步产出

PY=<你的 Python 3 可执行文件路径>
SK=<技能目录>/scripts/rich_split.py
"$PY" "$SK" <TMP>/page.html --out "<输出目录>" --pdf

• 不要传 --title，让它自动从页面元数据取原文完整标题（og:title → twitter:title → msg_title → activity-name）。手动传容易把完整标题缩成简写，违反命名铁律。
• --split-word 答案区首块文本（默认"参考答案"）；--ad-word 广告区起点（默认"本号VIP导航"），其后整块丢弃。
• --mode interleaved 汇编/合集类专用（见上一节）。
• --watermark "<公众号名>" 换一家公众号的水印字面值时必传；异形水印（字与字间带空格）由内置正则兜底。
• --no-title-heading 可关闭"页首补原文标题"（默认会补——微信标题在 js_content 之外，正文里没有，不补打印版纸上没标题）。
• --tmp <目录> Edge 中转目录，建议指到系统 temp 下，别留在技能包内（会积十几 MB profile 垃圾）。
• 脚本会打印块数、拆分位置、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。边界异常会报错退出。

铁律

1. 命名必须保留原文完整标题

文件名 = <原文完整标题>（试题版）.html / （答案版），页面 <title> 同。不要自拟简写（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」是错的）。

只做两件事：去掉 Windows 非法字符 \/:*?"<>|、把连续空白并成一个。同批 HTML/PDF 命名保持一致。

2. 答案版必须含全部解析

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，不得只留答案丢解析。

判断"有没有解析"至少同时看 7 个标志：

考查学生 / 本题考查 / 故选 / 评分建议 / 参考译文 / 答案示例 / 括号内选项分析（如 B(A项…错误)）

只看「解析」「考查学生」两个会把内联式解析误判成"源无解析"——实证：某篇文章这两个 grep 均为 0，但解析完整。

已实测的四种解析形态，都按原样保留、不要套同一种判读：

源确实只有干答案（无任何解析性文字）才在交付说明注明"源无解析"，不得编造。

3. 清洗隐形白字水印

公众号常把自家公众号名做成 color: rgb(255,255,255) 白字缝在长段落末尾，页面不可见，复制/打印才现形。

必须双管齐下：replace("<完整水印字面值>", "") 去掉标准形态，再用容忍空白的正则（如 超\s*然\s*客\s*公?\s*众?\s*号）兜住异形形态——异形水印常在字与字之间插空格，只用字面串一定抓不到。最后 grep 公众号名 = 0 才算过关。

换公众号时用 --watermark "<该号完整名>" 传字面值；异形兜底正则需同步改 scripts/rich_split.py 的 WATERMARK_RE。

4. 其余清洗

<script>、<o:page>（Word 残留）、<a>（留文字）、<img>、<iframe> 全清。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"、"校编声明"）。正文文字逐字保留，不改写、不概括、不增删。

5. 试题版不得残留答案

grep 参考答案 /【答案】/【解析】/【翻译】/【赏析】/故选 / 正确答案，以及 （[A-D]） 形式的预填括号。

两处已知误报，别当 bug 修：
- 「参考答案」命中的多半是 <title> 和页首补的原文标题行——原文标题本身含"及参考答案"，按命名铁律保留完整标题必然命中。判正文要先剥掉 <head> 和标题 <p> 再 grep。
- （A）（B）（C）（D） 可能是剧本题目的补写位置标记（如"在剧本A、B、C、D各处补写舞台说明"），必须保留。文言断句题的 [A][B][C] 同理——那是断句点，不是答案。

交付前校验

• 逐行完整性 diff：按拆分区间分别比对（试题区行 vs 试题版、答案区行 vs 答案版），别拿全量行去比对单版，否则满屏误报。diff 前要剥 <head>/<style>、把   换成空格、表格单元格按 </td> 拆行会产生表观差异（产物保留了原表格结构，以"无实质差异"为准，不要为消 diff 去改产物）。目标 0 字差异。
• 水印 grep = 0；广告词 grep = 0。
• 答案版含解析 grep 上面 7 个标志，至少应命中若干。
• Edge 截图目检（必做）：

cp "<中文名.html>" <TMP>/q.html   # file:// URL 不接受中文文件名，先复制成 ASCII 名
EDGE="/c/Program Files (x86)/Microsoft/Edge/Application/msedge.exe"
"$EDGE" --headless --disable-gpu --hide-scrollbars --user-data-dir="<TMP>/prof" \
  --screenshot="<TMP>/q.png" --window-size=900,1900 "file:///<TMP>/q.html"

Read 截图确认标题居中、楷体诗句/材料居中、段落缩进正常。--user-data-dir 必须每次用独立目录，否则并行任务互锁。

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 临时名再移成中文名。临时目录在 C 盘、产物在 D 盘时 os.replace 会抛 WinError 17（不能跨盘移动），必须用 shutil.move——脚本已内置兜底。
• 输出目录在百度同步盘：读写可能瞬时失败/短暂换位，重试即可别当丢文件。同步盘会锁死旧文件，覆盖同名 PDF 若报 WinError 5：把新版 PDF 落到同名子文件夹避开占用，旧文件留用户手动删，不要硬删。
• 重名时加"（二）"。
• 临时目录别放进技能包内——Edge 的 --user-data-dir 会往里写十几 MB profile 垃圾，把技能包撑到几十 MB。放系统 temp 下。

本机环境限制（别再试）

• 题库站全部直连失败：21cnjy / 51jiaoxi / book118 / zxxk / jintiankansha curl 一律 http=000。"从题库站兜底抓原文"这条路在本机不可执行，只有 WebSearch 摘要能间接拿到内容。
• RSS 类服务全不可用：RSSHub wechat 路由常年 404、WeRSS 官网打不开、wechat2rss 免费版只有安全/科技类且搜索需登录。GitHub / npm registry / Docker Hub 全部 000 不通（本机无 Docker 守护进程，无法自建）。若用户提 RSS，先说明这些硬伤再动手。
• 想直接在微信里查公众号：做不到。三层硬限制：① 没微信客户端登不了；② mp/profile_ext 强制客户端鉴权，返回"请在微信客户端打开链接"，appmsg/publish_time 计数为 0；③ 本地微信缓存只有朋友圈图片，零个 HTML 正文。

备选后端：ReadGZH MCP（仅"已知链接 → 取正文"）

搜狗限流但已知 mp 地址时，可用 ReadGZH 远程 MCP 读正文：

• 端点 POST https://api.readgzh.site/mcp-server（JSON-RPC 2.0，SSE 响应）。
• 必须 curl + 桌面浏览器 UA + Origin: https://readgzh.com + Referer；Python urllib 不带 UA 会被 Cloudflare 1010 Access denied 挡掉，curl 带 UA 一次 200。
• 工具：readgzh.read(url) / list / search / list_by_account / get(slug)。
• ⚠️ 硬限制：search 和 list_by_account 只搜它自己缓存过的文章，不是搜索引擎，发现不了新文章。只能当"已知链接 → 取正文"的后端。

实战记录

2026-10-03（一批 7 篇）：路线 A 产出试题版/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（古诗汇编四篇）：《高考十年（2017—2026）古诗阅读汇编》一～四均为答案逐套穿插结构，必须 --mode interleaved。踩坑：旧同名 PDF 被同步盘锁死无法原地覆盖，新版 PDF 落到子文件夹，根目录保留 HTML。

2026-10-03（外国小说专练二）：默认模式，388 块（试题 0–227 / 答案 228–378 / 广告 379 起）。新文件名与旧完整版不同名，不撞同步盘锁，PDF 直接落根目录。

2026-10-10（一轮三篇）：某公众号三篇（高二 10 月检测 ×2、高三二诊 ×1）。搜狗 IP 级限流全轮不可用，改用 ReadGZH MCP 读正文。三篇答案区解析形态完全不同——专练典型 / 括号内联 / 评分细则式，催生了上面"7 个标志 + 四种形态"的判读法。

2026-10-10（单篇补做）：226 块（试题 0–160 / 答案 161–215 / 广告 216 起），默认模式，试题版 12 页 / 答案版 5 页。逐行 diff 双版 100%、0 字差异；水印 9 处全清。再次印证用户甩链接是最可靠通道。