知识星球内容会消失吗？我用 zsxq-spider 把所有帖子导出成了一本 PDF 电子书

【免费下载链接】zsxq-spider爬取知识星球内容，并制作 PDF 电子书。项目地址: https://gitcode.com/gh_mirrors/zs/zsxq-spider

加入知识星球的那一刻，你大概没想过"有一天这些内容会看不到了"这个可能性。但现实是：账号可能被限制、平台可能改版、星球可能停止更新。与其等那一天到来，不如现在就动手把内容抓下来存成 PDF。开源工具 zsxq-spider 正是为此而生——它把知识星球里的帖子、图片和评论整理成排版好的电子书，把配置写好之后，往后每次运行都是几分钟的事。

先从一段真实经历说起

两年前，我花几百块加入了一个技术星球，里面有大量实战笔记和答疑记录。结果上个月到期后才发现，这个星球已经停止更新，连帖子列表都开始加载缓慢。那一刻我意识到：付费买来的不是内容本身，而是一段"随时可能失效的访问权限"。

我试着手动备份，结果很快放弃了：

• 帖子有几百条，逐条截图要按到手酸，图片还容易糊；
• 评论区里的高价值补充内容，截起来更是没完没了；
• 整理出来的文件东一个西一个，根本没法检索，和"电子书"三个字完全不沾边。

我需要的是"一键把整个星球变成一个文件"的方案。搜了一圈，最后留下了 zsxq-spider 这个项目，跑通之后它的产出确实超出了我的预期。

zsxq-spider 到底做了什么

简单说，它是一个纯 Python 脚本：通过知识星球开放的接口按页拉取主题数据，把正文、图片、评论整理成 HTML，最后借助 wkhtmltopdf 渲染成一份完整 PDF。整个过程里不需要手动复制粘贴任何一条内容。

它内部能识别的帖子类型包括提问、发帖、任务、解决方案四类，每一条都会以"序号 + 时间"命名，精华帖还会自动打上标记。如果你留意过知识星球里的各种富文本，会发现 @提及、话题标签、外链这些元素也都被转成了普通文字或可点击链接，不会在 PDF 里显示成一堆乱码。

还有两个容易被忽视的细节：一是图片会以 base64 编码直接内嵌进 PDF，所以生成的电子书是"自带图片"的，拷到任何设备上都不缺图；二是文件附件不会下载，只会以列表形式提示你"需访问网站下载"，这是作者刻意保留的行为，避免过度抓取。

动手前，先把三件东西准备好

环境准备其实只有三件事，每一件都缺一不可：

这里有个值得注意的点：很多人导出失败，不是代码问题，而是 wkhtmltopdf 没装或者没进 PATH。pdfkit 只是"传话筒"，真正干活的是 wkhtmltopdf，这一步务必先验证。

git clone https://gitcode.com/gh_mirrors/zs/zsxq-spider cd zsxq-spider pip install pdfkit BeautifulSoup4 requests

填写配置：三组参数看懂就够

crawl.py顶部有一块配置区，看着参数很多，其实按用途分成三组就非常清晰。

第一组：告诉脚本"你是谁、要去哪"

访问令牌ZSXQ_ACCESS_TOKEN需要你在浏览器里登录一次知识星球，然后在开发者工具的 Cookie 中找到zsxq_access_token字段复制过来。USER_AGENT必须和你登录时用的浏览器一致，这两者组合相当于你的"门票"，对不上就会被接口拒之门外。小组 ID 则可以直接从星球地址栏的网址里抄，就是group/后面那一串数字。

ZSXQ_ACCESS_TOKEN = '粘贴浏览器Cookie里的zsxq_access_token' USER_AGENT = '粘贴你浏览器的User-Agent，必须和登录时一致' GROUP_ID = '452445212848' # 从星球网址里抄下来的那串数字 PDF_FILE_NAME = '我的知识星球备份.pdf'

第二组：决定这次导出什么

这一组回答的是"要完整归档，还是只要一部分"。全部打开意味着最完整也最慢，如果只是先试水，可以把图片下载关掉。

DOWLOAD_PICS = True # 图片是否下载进PDF，开着更慢但更完整 DOWLOAD_COMMENTS = True # 评论是否一起打包 ONLY_DIGESTS = False # 只想保留精华内容就改成 True FROM_DATE_TO_DATE = False # 想按时间段分批导出就改成 True EARLY_DATE = '2020-01-01T00:00:00.000+0800' # 区间起点，留空表示不限制 LATE_DATE = '2020-12-31T00:00:00.000+0800' # 区间终点，留空表示不限制

第三组：控制节奏和临时文件

爬虫的本质是高频访问别人的服务器，脚本已经内置了"文明模式"，保持默认即可。调试用的DEBUG和DEBUG_NUM建议第一次跑时打开，先导出少量内容验证配置。

COUNTS_PER_TIME = 30 # 每页拉取的主题数量，上限 30 SLEEP_FLAG = True # 是否在请求之间休息 SLEEP_SEC = 2 # 每次请求间隔 2 秒，别给服务器添负担 DEBUG = True # 第一次运行建议开 DEBUG 试跑 DEBUG_NUM = 30 # 只先处理 30 条验证效果 DELETE_PICS_WHEN_DONE = True # 跑完后清理下载的图片 DELETE_HTML_WHEN_DONE = True # 跑完后清理中间生成的 HTML

运行起来，看看它到底在干什么

配置完成后，在项目目录执行：

python crawl.py

脚本的整个处理流水线大致是这样的：

1. 拼接接口地址，带上 Cookie 请求第一页主题数据；
2. 返回的 JSON 会先落盘到temp.json，方便你随时查看原始数据排查问题；
3. 逐条解析主题：识别类型、提取作者与时间、把富文本里的特殊标签转换成可读内容；
4. 需要图片时，先下载到本地images目录，再以 base64 形式塞回 HTML；
5. 全部主题处理完后，交给 wkhtmltopdf 结合temp.css一次性渲染成 PDF；
6. 按配置自动清理临时文件，避免目录越积越乱。

终端会实时打印正在请求的地址，进度透明可见。如果开了DEBUG，处理到设定条数就会停，正好用来确认配置有没有写对。

电子书好不好看，由 temp.css 决定

生成的 PDF 样式完全由根目录的temp.css控制。项目默认的排版考虑到了"手机端阅读"的场景，字号偏大，目录和正文的层次很清晰：

/* 标题居中放大，一眼就能扫到结构 */ h1 { font-size: 40px; color: red; text-align: center; } /* 正文字号拉大，躺着看也不费眼 */ p { font-size: 30px; } /* 图片自适应宽度、居中展示，加一点阴影更有质感 */ img { max-width: 100%; margin: 20px auto; display: block; box-shadow: 1px 4px 16px 8px #5CA2BE; }

如果你想追求更素雅的风格，把h1的颜色改成深灰、字号收到 28px 左右，页面数量会明显变少，更适合打印或放进文档管理工具。改完直接重新运行一遍脚本即可，不需要动任何 Python 代码。

三条进阶用法，让导出更顺手

给大体量星球做时间切片。动辄上千条的星球，一次全量导出耗时很长且中途出错不好定位。把FROM_DATE_TO_DATE打开，按年份设好起止时间分多次运行，每次产出一本当年的电子书，出错时也只需重跑对应年份。

用精华模式快速沉淀。需要给团队或朋友分享时，把ONLY_DIGESTS改成True，只导出被标记为精华的内容，生成速度和质量都很理想。

控制频率，做个懂分寸的访客。保持SLEEP_FLAG开启，不要为了赶时间把间隔调成 0。知识星球是很多创作者的付费收入来源，频繁请求既影响服务稳定性，也容易让账号被盯上。

容易被忽略的五个坑

把内容备份成习惯

收藏夹会失效，会员会到期，平台会改版，但一本躺在你自己硬盘里的 PDF，只要你不删它，它就会一直在那里。几百块的星球会员费是小事，真正珍贵的是里面沉淀下来的那些讨论、解答和记录——它们不该只存在于别人的服务器上。

我的建议是：现在就 clone 下这个项目，把 Token 和小组 ID 填好，开 DEBUG 先跑 30 条。几分钟后，你就能拿到第一本属于你自己的电子书。从那天起，把"每月归档一次当月内容"当成例行公事，你会发现，内容的安全感是任何收藏功能都给不了的。

【免费下载链接】zsxq-spider爬取知识星球内容，并制作 PDF 电子书。项目地址: https://gitcode.com/gh_mirrors/zs/zsxq-spider