sreweekly-digest: 新增 SRE Weekly 解析技能（SKILL.md + scripts/sreweekly.py）

sreweekly-digest/SKILL.md

@@ -0,0 +1,71 @@
+---
+name: sreweekly-digest
+description: 抓取 SRE Weekly 每期分享文章导出 markdown。提到 sreweekly 时使用。
+author: Hermes Agent
+license: MIT
+version: 1.0.0
+category: custom
+last_updated: "2026-09-10"
+metadata:
+  hermes:
+    tags: [rss, sreweekly, markdown, n8n, digest]
+    related_skills: [blogwatcher-daily, llm-provider-billing]
+---
+
+# SRE Weekly Digest
+
+抓取 [SRE Weekly](https://sreweekly.com) 每期内容，把每期分享的文章逐篇导出为 Markdown 文件，用 manifest.json 记录每期状态。**脚本只做解析与提取，不发邮件**（邮件由 n8n 后续节点处理）。
+
+## When to Use
+
+- 用户提到 sreweekly.com / SRE Weekly 期刊 / sreweekly 脚本，要求抓取、提取、检查或导出
+- 需要手动跑一次扫描/提取（`--scan` / `--extract` / `--status`），或排查 n8n 定时任务为什么没出新期
+- 想看某期分享了哪些文章、某篇文章的链接/作者/简介
+
+## 关键事实
+
+- **脚本**：本技能目录 `scripts/sreweekly.py`（绝对路径 `~/.hermes/skills/custom/sreweekly-digest/scripts/sreweekly.py`，软链到 atlas；单文件，依赖 feedparser）
+- **数据目录**：`~/Workspace/nexus/Hermes/xingzhi/sreweekly/`（html/ 存每期原始 HTML，markdown/<期号>/ 存每篇一个 md，manifest.json 记状态；README.md 有完整 n8n 配置说明）
+- **核心发现**：SRE Weekly 的 RSS feed 在 `content:encoded` 字段自带每期完整 HTML（实测最近 5 期全量）——**不用再抓每期页面**，直接从 feed 拿内容
+
+## 命令速查
+
+```bash
+S=~/.hermes/skills/custom/sreweekly-digest/scripts/sreweekly.py
+# 或在本技能目录下: S=scripts/sreweekly.py
+python3 $S                    # 扫描 feed → 新期存 html/ + 登记 manifest（幂等去重）
+python3 $S --check            # 输出 NEW:533,532 或 NONE（供 n8n 分支）
+python3 $S --extract pending  # 提取所有未处理期（n8n 每日流程推荐）
+python3 $S --extract 533      # 指定期 / latest / all（已提取的需 --force 覆盖）
+python3 $S --status           # 状态表（期号/日期/HTML/提取/文章数）
+# 可选: --feed URL / --dir PATH / --force（数据目录默认 ~/Workspace/nexus/Hermes/xingzhi/sreweekly/）
+```
+
+- 所有命令**幂等**：重复扫描不重复入库，重复提取自动跳过已提取的期
+- 提取粒度：每篇文章一个 md（标题 / 期号日期 / 作者 / 原文链接 / 简介，含 blockquote 引用渲染）
+
+## 页面/HTML 结构（解析器依据）
+
+```
+<div class="sreweekly-sponsor-message">…赞助商…</div>   ← 自动跳过
+<div class="sreweekly-entry">
+  <div class="sreweekly-title"><a href="文章URL">标题</a></div>
+  <div class="sreweekly-description">
+    <p>简介…</p> <blockquote><p>引用…</p></blockquote>
+    <p>&nbsp;&nbsp;<small>作者</small></p>
+  </div>
+</div>
+```
+
+## 坑（已踩过）
+
+- 标签间的纯空白（换行/缩进）会混进简介文本：解析时必须跳过 whitespace-only data，并在紧邻 `\n> `/`\n\n` 结构标记时 lstrip 前导空白，否则 blockquote 会渲染成 `> \n文字`（引用标记与正文断行）
+- 段落后紧跟 blockquote 需要补空行（CommonMark 下无空行会被当成段落续行）
+- 标题 slug 文件名保留 CJK（`\w` + unicode），超长截断 70 字符，前导序号保证顺序
+- manifest 期号从链接正则 `sre-weekly-issue-(\d+)` 提取，缺失时回退最后一段路径
+
+## n8n 定时流程（用户已部署方案）
+
+1. 定时触发（每天一次，该刊周一更新）→ Execute Command 跑 `--scan`
+2. Execute Command 跑 `--extract pending`（空跑无害，可省 --check 分支）
+3. 后续节点读取 `markdown/<新期号>/` 的 md → 邮件发送（用户收件箱 billyshen@163.com，发件 star-agent@agentmail.to；发信细节见 blogwatcher-daily 技能的 agentmail-sending 文档）

sreweekly-digest/scripts/sreweekly.py

@@ -0,0 +1,391 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+SRE Weekly 抓取与文章提取脚本
+
+模仿 blogwatcher-daily 的单文件风格：feedparser 抓取 → HTML 落盘 → 逐篇文章导出 Markdown，
+并用 manifest.json 记录每期的状态（是否已存 HTML / 是否已提取文章）。
+
+设计给 n8n 定时任务调用，通过不同参数驱动，脚本自身不发送邮件。
+
+目录结构（默认工作目录 ~/Workspace/nexus/Hermes/xingzhi/sreweekly/）:
+    sreweekly/
+    ├── manifest.json          # 状态记录（每期: html 是否保存、文章是否提取、文章数）
+    ├── html/<id>-<日期>.html  # 每期原始 HTML（feed 的 content:encoded 原样保存）
+    └── markdown/<id>/         # 每期文章的 markdown 目录（每篇一个文件）
+        ├── 01-<标题slug>.md
+        └── 02-<标题slug>.md
+
+用法:
+  python3 sreweekly.py                    # 扫描 feed，新增期保存为 HTML 并登记 manifest
+  python3 sreweekly.py --check            # 只检查有无新期，输出 NEW:533,532 或 NONE（供 n8n 分支）
+  python3 sreweekly.py --extract ID       # 提取指定期（如 533）的文章 → markdown
+  python3 sreweekly.py --extract latest   # 提取最新一期
+  python3 sreweekly.py --extract pending  # 提取所有尚未提取的期（n8n 每日流程推荐）
+  python3 sreweekly.py --extract all      # 提取全部（含已提取的，需配合 --force 覆盖）
+  python3 sreweekly.py --status           # 打印 manifest 状态表
+  python3 sreweekly.py --issues           # 列出已登记的所有期
+
+选项:
+  --feed URL    RSS 地址（默认 https://sreweekly.com/feed/）
+  --dir PATH    工作目录（默认 ~/Workspace/nexus/Hermes/xingzhi/sreweekly/）
+  --force       重新提取已提取过的期（覆盖旧文件）
+"""
+from html.parser import HTMLParser
+import argparse, html, json, os, re, sys, time, urllib.request
+
+try:
+    import feedparser
+except ImportError:
+    sys.exit("缺少依赖: 请先执行 pip3 install feedparser")
+
+DEFAULT_FEED = "https://sreweekly.com/feed/"
+DEFAULT_DIR = os.path.expanduser("~/Workspace/nexus/Hermes/xingzhi/sreweekly")
+
+# ---------------------------------------------------------------- manifest
+
+def load_manifest(base_dir):
+    path = os.path.join(base_dir, "manifest.json")
+    if os.path.exists(path):
+        try:
+            with open(path, "r", encoding="utf-8") as f:
+                return json.load(f)
+        except (json.JSONDecodeError, OSError) as e:
+            print(f"⚠️ manifest.json 读取失败（{e}），按空库处理", file=sys.stderr)
+    return {"feed": DEFAULT_FEED, "last_scanned": None, "issues": {}}
+
+def save_manifest(base_dir, manifest):
+    path = os.path.join(base_dir, "manifest.json")
+    with open(path, "w", encoding="utf-8") as f:
+        json.dump(manifest, f, ensure_ascii=False, indent=2)
+    return path
+
+def issue_id_from_link(link):
+    """从文章链接提取期号: sre-weekly-issue-533 → 533；失败则用最后一段路径。"""
+    m = re.search(r"sre-weekly-issue-(\d+)", link or "")
+    if m:
+        return int(m.group(1))
+    m = re.search(r"/([^/]+?)/?$", (link or "").rstrip("/"))
+    return m.group(1) if m else "unknown"
+
+def format_pubdate(entry):
+    """优先用 feed 自带发布日期（YYYY-MM-DD），没有则用当天。"""
+    if getattr(entry, "published_parsed", None):
+        return time.strftime("%Y-%m-%d", entry.published_parsed)
+    return time.strftime("%Y-%m-%d")
+
+def now_iso():
+    return time.strftime("%Y-%m-%dT%H:%M:%S")
+
+# ---------------------------------------------------------------- feed 扫描
+
+def fetch_feed(feed_url):
+    d = feedparser.parse(feed_url)
+    if not d.entries:
+        sys.exit(f"❌ feed 抓取失败或为空: {feed_url}（bozo={d.bozo}）")
+    return d.entries
+
+def cmd_scan(args, manifest, base_dir):
+    html_dir = os.path.join(base_dir, "html")
+    os.makedirs(html_dir, exist_ok=True)
+    entries = fetch_feed(args.feed)
+    new_ids = []
+    for e in entries:
+        iid = str(issue_id_from_link(e.link))
+        if iid in manifest["issues"]:
+            continue  # 已登记，跳过（去重）
+        content_html = e.content[0].value if getattr(e, "content", None) else ""
+        pubdate = format_pubdate(e)
+        fname = f"{iid}-{pubdate}.html"
+        fpath = os.path.join(html_dir, fname)
+        with open(fpath, "w", encoding="utf-8") as f:
+            f.write(content_html)
+        manifest["issues"][iid] = {
+            "id": iid,
+            "title": e.title,
+            "url": e.link,
+            "pub_date": pubdate,
+            "html_file": f"html/{fname}",
+            "fetched_at": now_iso(),
+            "extracted": False,
+            "article_count": 0,
+            "markdown_dir": None,
+        }
+        new_ids.append(iid)
+        print(f"🆕 新期 #{iid} {e.title} → {fname}（{len(content_html)} bytes）", file=sys.stderr)
+    manifest["last_scanned"] = now_iso()
+    save_manifest(base_dir, manifest)
+    print(f"📊 扫描完成：新增 {len(new_ids)} 期，共 {len(manifest['issues'])} 期", file=sys.stderr)
+    return new_ids
+
+def cmd_check(args, manifest):
+    entries = fetch_feed(args.feed)
+    known = set(manifest["issues"].keys())
+    new_ids = []
+    for e in entries:
+        iid = str(issue_id_from_link(e.link))
+        if iid not in known:
+            new_ids.append(iid)
+    if new_ids:
+        print("NEW:" + ",".join(new_ids))
+    else:
+        print("NONE")
+    return 0
+
+# ---------------------------------------------------------------- HTML → 文章
+
+class SREEntryParser(HTMLParser):
+    """解析每期的 content:encoded HTML，提取所有 sreweekly-entry 文章条目。
+
+    页面结构（见实测）:
+        <div class="sreweekly-sponsor-message">…赞助商…</div>          ← 跳过
+        <div class="sreweekly-entry">
+          <div class="sreweekly-title"><a href="文章URL">标题</a></div>
+          <div class="sreweekly-description">
+            <p>简介…</p>
+            <blockquote><p>引用…</p></blockquote>
+            <p>&nbsp;&nbsp;<small>作者</small></p>
+          </div>
+        </div>
+    """
+
+    def __init__(self):
+        super().__init__(convert_charrefs=True)
+        self.div_stack = []        # 当前打开中的 div class 栈
+        self.tag_stack = []        # 当前打开中的标签栈（用于识别 a/blockquote/small）
+        self.entries = []          # 提取结果: [{title, url, body, author}, ...]
+        self.cur = None
+        self.in_title = False
+        self.in_desc = False
+        self.in_small = False
+        self.quote_depth = 0
+
+    def _cur_div_class(self):
+        return self.div_stack[-1] if self.div_stack else None
+
+    def handle_starttag(self, tag, attrs):
+        attrs = dict(attrs)
+        self.tag_stack.append(tag)
+        cls = attrs.get("class", "")
+        if tag == "div":
+            self.div_stack.append(cls)
+            if "sreweekly-entry" in cls:
+                self.cur = {"title": "", "url": "", "body": [], "author": None}
+            elif "sreweekly-title" in cls and self.cur is not None:
+                self.in_title = True
+            elif "sreweekly-description" in cls and self.cur is not None:
+                self.in_desc = True
+            return
+        if self.cur is None:
+            return
+        if tag == "a" and self.in_title:
+            self.cur["url"] = attrs.get("href", "")
+        elif tag == "blockquote" and self.in_desc:
+            self.quote_depth += 1
+            if self.cur["body"] and self.cur["body"][-1] not in ("\n\n", "\n> ", "\n"):
+                self.cur["body"].append("\n\n")
+            self.cur["body"].append("\n> ")
+        elif tag == "small" and self.in_desc:
+            self.in_small = True
+        elif tag == "p" and self.in_desc and self.cur["body"] and self.quote_depth == 0:
+            # 段落间空行（避免在开头及 blockquote 内部加多余空行）
+            self.cur["body"].append("\n\n")
+
+    def handle_endtag(self, tag):
+        if self.tag_stack:
+            pop_idx = None
+            for i in range(len(self.tag_stack) - 1, -1, -1):
+                if self.tag_stack[i] == tag:
+                    pop_idx = i
+                    break
+            if pop_idx is not None:
+                del self.tag_stack[pop_idx:]
+        if tag == "small" and self.in_small:
+            self.in_small = False
+        if tag == "blockquote" and self.quote_depth > 0:
+            self.quote_depth -= 1
+            if self.cur is not None and self.in_desc:
+                self.cur["body"].append("\n")
+        if tag == "div":
+            if self.div_stack:
+                cls = self.div_stack.pop()
+                if "sreweekly-title" in cls:
+                    self.in_title = False
+                elif "sreweekly-description" in cls:
+                    self.in_desc = False
+                elif "sreweekly-entry" in cls:
+                    self._finalize()
+
+    def handle_data(self, data):
+        if self.cur is None:
+            return
+        if self.in_title:
+            self.cur["title"] += data
+        elif self.in_desc:
+            if self.in_small:
+                self.cur["author"] = (self.cur["author"] or "") + data
+            else:
+                if not data.strip():
+                    return  # 标签间的纯空白（换行/缩进）跳过，段落结构由 p/blockquote 标记生成
+                if self.cur["body"] and self.cur["body"][-1] in ("\n> ", "\n\n", "\n"):
+                    data = data.lstrip("\n\t \xa0")
+                self.cur["body"].append(data)
+
+    def _finalize(self):
+        if self.cur is None:
+            return
+        title = html.unescape(self.cur["title"]).strip()
+        body = "".join(self.cur["body"])
+        body = body.replace("\xa0", " ")
+        # 压缩多余的连续空行
+        body = re.sub(r"\n{3,}", "\n\n", body)
+        # 每行去掉首尾空白，但保留引用行前缀 ">"
+        lines = []
+        for ln in body.split("\n"):
+            stripped = ln.strip()
+            if stripped.startswith(">"):
+                lines.append("> " + stripped[1:].strip())
+            elif stripped:
+                lines.append(stripped)
+            else:
+                lines.append("")
+        body = "\n".join(lines).strip("\n")
+        author = html.unescape((self.cur["author"] or "").strip()) or None
+        self.entries.append({"title": title, "url": self.cur["url"], "body": body, "author": author})
+        self.cur = None
+
+def parse_issue_html(html_path):
+    with open(html_path, "r", encoding="utf-8") as f:
+        p = SREEntryParser()
+        p.feed(f.read())
+        return p.entries
+
+def slugify(title, max_len=70):
+    """标题 → 文件名 slug：保留字母数字与 CJK，其余转连字符。"""
+    s = re.sub(r"[^\w\u4e00-\u9fff]+", "-", title.lower(), flags=re.UNICODE).strip("-")
+    s = re.sub(r"-{2,}", "-", s)
+    return s[:max_len].strip("-") or "untitled"
+
+def extract_one(iid, entry, base_dir, force=False):
+    """把某一期 HTML 解析为每篇文章一个 markdown 文件。返回 (文章数, 输出目录)。"""
+    md_root = os.path.join(base_dir, "markdown")
+    os.makedirs(md_root, exist_ok=True)
+    html_rel = entry.get("html_file")
+    if not html_rel:
+        sys.exit(f"❌ 期 #{iid} 没有 html_file 记录，请先扫描")
+    html_path = os.path.join(base_dir, html_rel)
+    if not os.path.exists(html_path):
+        sys.exit(f"❌ HTML 文件不存在: {html_path}")
+    if entry.get("extracted") and entry.get("article_count", 0) > 0 and not force:
+        print(f"⏭️  期 #{iid} 已提取过（{entry['article_count']} 篇），跳过（--force 可覆盖）", file=sys.stderr)
+        return entry.get("article_count", 0), entry.get("markdown_dir"), False
+
+    articles = parse_issue_html(html_path)
+    out_dir = os.path.join(md_root, str(iid))
+    os.makedirs(out_dir, exist_ok=True)
+    for idx, a in enumerate(articles, 1):
+        fname = f"{idx:02d}-{slugify(a['title'])}.md"
+        fpath = os.path.join(out_dir, fname)
+        content = render_markdown(a, entry)
+        with open(fpath, "w", encoding="utf-8") as f:
+            f.write(content)
+    entry["extracted"] = True
+    entry["article_count"] = len(articles)
+    entry["markdown_dir"] = f"markdown/{iid}"
+    entry["extracted_at"] = now_iso()
+    print(f"📄 期 #{iid} → {len(articles)} 篇文章 → {out_dir}", file=sys.stderr)
+    return len(articles), out_dir, True
+
+def render_markdown(article, entry):
+    """文章 → markdown 文件内容。"""
+    pub = entry.get("pub_date", "")
+    issue_label = entry.get("title", f"SRE Weekly Issue #{entry.get('id')}")
+    out = [f"# {article['title']}", ""]
+    out.append(f"- **期号**: {issue_label}（{pub}）")
+    out.append(f"- **作者**: {article['author'] or '—'}")
+    out.append(f"- **链接**: {article['url']}")
+    if article["body"]:
+        out += ["", "## 简介", "", article["body"]]
+    return "\n".join(out) + "\n"
+
+def resolve_targets(target, manifest):
+    """解析 --extract 的目标: ID / latest / pending / all → 期号列表。"""
+    issues = manifest["issues"]
+    if target == "latest":
+        ids = sorted(issues.keys(), key=lambda x: (isinstance(x, str), x))
+        # 数字优先按数值排，latest 取最大
+        nums = [i for i in issues if str(i).isdigit()]
+        return [str(max(int(n) for n in nums))] if nums else [ids[-1]]
+    if target == "pending":
+        return [str(i) for i, v in issues.items() if not v.get("extracted") or v.get("article_count", 0) == 0]
+    if target == "all":
+        return list(issues.keys())
+    t = str(target)
+    if t not in issues:
+        sys.exit(f"❌ 期 #{t} 不在 manifest 中，请先扫描")
+    return [t]
+
+def cmd_extract(args, manifest, base_dir):
+    ids = resolve_targets(args.extract, manifest)
+    if not ids:
+        print("✅ 无待提取的期", file=sys.stderr)
+        return
+    for iid in ids:
+        extract_one(iid, manifest["issues"][str(iid)], base_dir, force=args.force)
+    save_manifest(base_dir, manifest)
+
+# ---------------------------------------------------------------- 展示
+
+def cmd_status(manifest):
+    issues = manifest["issues"]
+    print(f"📡 SRE Weekly 共 {len(issues)} 期（最后扫描: {manifest['last_scanned']}）")
+    print()
+    header = f"{'期号':>6}  {'日期':<12} {'HTML':<6} {'提取':<5} {'文章数':<6} 标题"
+    print(header)
+    print("-" * len(header))
+    for iid in sorted(issues.keys(), key=lambda x: int(x) if str(x).isdigit() else 0):
+        v = issues[iid]
+        html_ok = "✅" if v.get("html_file") else "—"
+        ext_ok = "✅" if v.get("extracted") and v.get("article_count", 0) > 0 else "—"
+        print(f"{iid:>6}  {v.get('pub_date',''):<12} {html_ok:<6} {ext_ok:<5} {v.get('article_count',0):<6} {v.get('title','')}")
+
+def cmd_issues(manifest):
+    for iid in sorted(manifest["issues"].keys(), key=lambda x: int(x) if str(x).isdigit() else 0):
+        v = manifest["issues"][iid]
+        print(f"{iid}\t{v.get('pub_date','')}\t{v.get('title','')}\t{v.get('url','')}")
+
+# ---------------------------------------------------------------- main
+
+def main():
+    ap = argparse.ArgumentParser(description="SRE Weekly 抓取 + 文章提取（供 n8n 定时调用）")
+    ap.add_argument("--feed", default=DEFAULT_FEED, help=f"RSS 地址（默认 {DEFAULT_FEED}）")
+    ap.add_argument("--dir", default=DEFAULT_DIR, help=f"工作目录（默认 {DEFAULT_DIR}）")
+    ap.add_argument("--check", action="store_true", help="只检查有无新期，输出 NEW:id,id 或 NONE")
+    ap.add_argument("--extract", metavar="ID|latest|pending|all", help="提取文章 → markdown")
+    ap.add_argument("--status", action="store_true", help="打印 manifest 状态表")
+    ap.add_argument("--issues", action="store_true", help="列出已登记的所有期")
+    ap.add_argument("--force", action="store_true", help="强制重新提取已提取过的期")
+    args = ap.parse_args()
+
+    base_dir = os.path.abspath(os.path.expanduser(args.dir))
+    os.makedirs(base_dir, exist_ok=True)
+
+    if args.extract or args.status or args.issues:
+        manifest = load_manifest(base_dir)
+        if args.extract:
+            cmd_extract(args, manifest, base_dir)
+        if args.status:
+            cmd_status(manifest)
+        if args.issues:
+            cmd_issues(manifest)
+    elif args.check:
+        manifest = load_manifest(base_dir)
+        cmd_check(args, manifest)
+    else:
+        manifest = load_manifest(base_dir)
+        cmd_scan(args, manifest, base_dir)
+
+    return 0
+
+if __name__ == "__main__":
+    sys.exit(main())