3.7 KiB
status, trigger, created, updated
| status | trigger | created | updated |
|---|---|---|---|
| awaiting_human_verify | 知乎文章处理时图片链接丢失 | 2026-03-15T00:00:00Z | 2026-03-15T00:03:00Z |
Current Focus
hypothesis: ROOT CAUSE CONFIRMED - 知乎懒加载图片的 src 属性是 SVG 占位符，真实 URL 在 data-actualsrc 属性中 test: 已验证 markdownify 只读取 src 属性，得到无效的 SVG 占位符 expecting: 修改 markdown_converter.py 处理知乎懒加载图片 next_action: 修复 markdown_converter.py，提取真实图片 URL
Resolution
root_cause: 知乎使用图片懒加载机制，<img> 标签的 src 属性包含 SVG 占位符（data:image/svg+xml;...），真实图片 URL 存储在 data-actualsrc 属性中。markdownify 库默认只读取 src 属性，导致转换后的 Markdown 包含无效的 SVG 占位符而不是真实图片链接。
fix: 修改 markdown_converter.py，使用 BeautifulSoup 在转换前预处理 HTML，将 data-actualsrc 或 data-original 属性的值替换到 src 属性中
verification: 单元测试全部通过（25/25），包括新的懒加载图片处理测试
files_changed: [kb-zhihu-metadata/markdown_converter.py, tests/test_zhihu_metadata/test_markdown_converter.py]
Symptoms
expected: 当分析知乎文章时，原文部分的图片链接应该保留在 markdown 中，用户可以在 markdown 中看到图片链接 actual: 文字内容正确，图片无法看到，最后归档的分析内容中完全没有图片或者图片链接 errors: 无显式错误，命令执行成功但图片丢失 reproduction: 运行一键 CLI 命令处理知乎链接：https://www.zhihu.com/question/1936375725931361485/answer/2003232153480226496 started: 第一次出现，可能是功能从未正确实现
Eliminated
Evidence
-
timestamp: 2026-03-15T00:00:00Z checked: markdown_converter.py 的图片转换 found: markdownify 正确转换
<img>标签为 Markdown 格式implication: Markdown 转换器工作正常，问题不在转换层 -
timestamp: 2026-03-15T00:00:00Z checked: zhihu_extractor.py 的 _extract_answer_content 方法 found: 使用
.RichText选择器获取 HTML，然后调用 markdown_converter.convert() implication: 提取逻辑看起来正确，需要验证选择器是否正确获取到包含图片的 HTML -
timestamp: 2026-03-15T00:00:00Z checked: zhihu_article_crawler.py（MediaCrawler 版本） found: 第139行使用
content_text字段，这是纯文本，不包含 HTML implication: 这是另一个路径（MediaCrawler），但 kb_pipeline 使用的是 ZhihuPlaywrightExtractor -
timestamp: 2026-03-15T00:01:00Z checked: 知乎懒加载图片机制 found: 知乎图片的 src 属性是 SVG 占位符（data:image/svg+xml;...），真实 URL 在 data-actualsrc 或 data-original 属性中 implication: markdownify 只读取 src 属性，得到无效占位符而非真实图片链接
-
timestamp: 2026-03-15T00:01:00Z checked: 模拟知乎懒加载 HTML 转换测试 found: 确认转换结果包含
data:image/svg+xml占位符而不是真实图片 URL implication: ROOT CAUSE CONFIRMED - 需要预处理 HTML 提取真实图片 URL
Resolution (问题2: 原文丢失)
root_cause: 知乎回答 (answer) 和专栏 (zhuanlan) 的原文没有被追加到分析报告中。代码只在 content_type == "article" 时设置和追加原文，但知乎回答的类型是 "answer"
fix:
deep_analyzer.py:184- 扩展条件为content_type in ("article", "answer", "zhuanlan")analyze.py:244- 扩展条件为content_type in ("article", "answer", "zhuanlan")verification: 待用户测试 files_changed: [kb-deep-analyzer/deep_analyzer.py, kb_pipeline/processors/analyze.py]