douyin-bulk-transcript-exporter

抖音博主主页全量逐字稿导出

适用与边界

• 输入：抖音博主主页 https://www.douyin.com/user/xxx；也支持直接给一批单条视频 URL。
• 输出：本地 Markdown 文件，每个视频一个，文件名 {视频标题}-{博主名}.md。
• 本 Skill 只做本地文件归档，不写飞书表格。
• 逐字稿以抖音页面 web.fetch 返回的字幕为准；禁止伪造逐字稿、禁止写占位符。

输入确认（Step 0，先问齐再开跑）

开工前必须确认，缺失就问，不要假设：

1. 博主主页 URL（必填）：用户没给就问"请提供博主主页链接"。
2. 输出目录（必填）：默认 ./douyin_transcripts/{博主名}/，用户指定则用指定目录。
3. 视频数量：默认全量；说"最新 N 条"只取前 N。
4. 短视频处理：默认跳过口播极短的片段（页面时长 < 约 20 秒）。用户要求全部导出则不跳过。
5. 是否校订错字：默认校订（见 Step 3）。

Step 1：从博主主页提取全部视频链接（内置浏览器）

这是"全量"的关键环节：主页默认只加载前几条，必须滚动懒加载到底，再从 DOM 提取所有视频链接。

⚠️ 已有视频清单时，整步可跳过（最快路径）：如果用户已提供或手头已有视频链接清单（整理好的 md / csv / json，或一批单条 URL），直接跳到 Step 2 逐条取稿，不要再爬主页。实测几百上千条就是这么跑的，零滚动、零反爬。

⚠️ 别再折腾"更优雅"的程序化取法（已实测不可用，别重复试）：

• yt-dlp 只有单条 Douyin 提取器，没有"列博主全部作品"的 user 列表能力，单条还会报"需要新鲜 cookie"。
• 抖音作品列表 JSON 接口 /aweme/v1/web/aweme/post/ 虽存在，但依赖 a_bogus 反爬混淆签名参数；在浏览器里用 fetch / XHR / http_get 调它都返回空，不重写抖音那套签名就调不通。
• 结论：绕不开登录态浏览器，没有"一行命令拉全量"的捷径。

Windows 用 computer_use_tool（plane="bu"），代码里 import seed_browser_use as bu；Mac 用 mac_computer_use_tool（同为 plane="bu"）。API 一致。

1. 打开主页：

   bu.navigate("https://www.douyin.com/user/xxx")
   bu.wait_for_load(timeout=25)
   

2. 登录检测：作品列表显示"服务异常，重新刷新拉取数据"、出现登录弹窗、或页面顶部有"登录"按钮且列表为空 → 调用 interaction.request_action(type="browserControl", display_message="抖音需要登录才能查看完整作品列表，请接管浏览器登录后交回。")，用户交回后重新 bu.snapshot() 确认列表已加载。
3. 滚动加载到底：

   import time
   for _ in range(30):  # 视频多就加大上限
       bu.scroll(500, 500, "down", amount=3)
       time.sleep(1.5)
       txt = bu.get_page_text()
       if "暂时没有更多了" in txt:
           break
   

4. 提取视频链接（DOM 去重）：

   rows = bu.read_all("a[href*='/video/']", fields=["href"], limit=1000)
   seen, videos = set(), []
   for r in rows:
       href = r.get("href","")
       vid = href.rstrip("/").split("/")[-1].split("?")[0]
       if vid.isdigit() and vid not in seen:
           seen.add(vid)
           videos.append({"video_id": vid, "url": f"https://www.douyin.com/video/{vid}"})
   

   • 同一视频可能在"作品/推荐/置顶"多处出现，按 video_id 去重。
   • 保持页面顺序（新→旧）。用户只要最新 N 条就截断。
5. （可选）从 bu.get_page_text() 里顺带记录每条的标题、点赞数，写入结果清单便于核对。