docs: 添加技术分享文档 - 钉钉群聊飞书文档收集与知识库构建

- 完整的技术架构说明 - 详细的工具配置指南 - 关键代码示例 - 部署和使用指南 - 经验总结和最佳实践文档内容： 1. 项目概述与成果 2. 技术架构与流程 3. 详细技术方案（dws + lark-cli + Python） 4. 关键代码示例 5. 配置与部署指南 6. 关键经验与最佳实践 7. 使用指南与扩展方向
2026-06-03 11:06:10 +08:00
parent 0a2a2e811a
commit 5616622a05
1 changed files with 307 additions and 0 deletions
@@ -0,0 +1,307 @@
+# 钉钉群聊飞书文档收集与知识库构建 - 技术分享
+
+> 分享人：大师 | 日期：2026-06-03 | 版本：v1.0
+
+---
+
+## 一、项目概述
+
+### 1.1 背景
+
+公司战略研究团队每天在钉钉群中分享飞书文档（研究报告、竞品分析、日报等），手动收集和整理效率低下。本项目实现了：
+
+- **自动化采集**：从钉钉群聊中提取消息、链接和文件
+- **批量下载**：自动下载飞书文档和文件附件
+- **知识结构化**：构建知识图谱和 Obsidian 知识库
+- **定时更新**：支持每日自动采集最新内容
+
+### 1.2 成果
+
+| 指标 | 数量 |
+|------|------|
+| 消息总数 | 388 条 |
+| 飞书文档 | 159 篇 |
+| 文件附件 | 19 个 |
+| 活跃人员 | 28 位 |
+| 时间范围 | 2026-05-01 ~ 2026-06-03 |
+
+---
+
+## 二、技术架构
+
+### 2.1 整体流程
+
+```
+钉钉群聊消息
+    ↓
+消息采集（dws CLI）
+    ↓
+链接提取（Python）
+    ↓
+文档下载（lark-cli）
+    ↓
+内容解析（Python + BeautifulSoup）
+    ↓
+知识图谱构建（Python）
+    ↓
+Obsidian 知识库生成（Python）
+    ↓
+可视化展示（HTML + Mermaid）
+```
+
+### 2.2 核心工具
+
+| 工具 | 用途 | 版本 |
+|------|------|------|
+| **dws CLI** | 钉钉消息采集、文件下载 | 悟空 CLI |
+| **lark-cli** | 飞书文档下载 | v1.0.32 |
+| **Python** | 数据处理、脚本开发 | 3.10+ |
+| **BeautifulSoup** | HTML 解析 | 4.x |
+| **Obsidian** | 知识库管理 | 最新版 |
+
+---
+
+## 三、详细技术方案
+
+### 3.1 钉钉消息采集
+
+#### 工具：dws CLI（悟空）
+
+**安装路径**：`C:\Users\admin\.real\.bin\dws\bin\dws.exe`
+
+**认证信息**：
+- Corp ID：`ding9385b4aebd9af88635c2f4657eb6378f`
+- User ID：`347672497`
+
+**核心命令**：
+
+```bash
+# 获取群聊消息
+dws chat message list --group <group_id> --time <time> --forward true --format json --limit 200
+
+# 下载文件附件
+dws drive download --node <fileId> --output <path>
+```
+
+**群组 ID**：
+
+| 群组 | openConversationId |
+|------|-------------------|
+| 创新组 | `cidMuM+itt5PeY7xNSWsv3M0g==` |
+| dc战略问题研究院 | `cidoUneRB4Db8TAXaTrKxkQAw==` |
+
+**分页策略**：
+
+由于 API 返回消息有数量限制，需要分多次拉取：
+
+```python
+# 分段拉取策略
+segments = [
+    ("2026-05-01", "true"),   # 从5月1日向前
+    ("2026-05-19", "true"),   # 从5月19日向前
+    ("2026-05-24", "true"),   # 从5月24日向前
+    ("2026-06-03", "false"),  # 从6月3日向后
+]
+
+# 去重：使用 openMessageId
+all_msgs = {}
+for msg in msgs:
+    all_msgs[msg["openMessageId"]] = msg
+```
+
+### 3.2 链接提取
+
+#### 正则表达式
+
+```python
+# 飞书文档链接
+feishu_re = re.compile(r'https?://[a-zA-Z0-9.-]+\.feishu\.cn/(?:wiki|docx)/[A-Za-z0-9]+')
+
+# 文件附件
+file_re = re.compile(r'\[文件\]\s+(.+?)\s+fileId:\s+(\S+)')
+```
+
+### 3.3 飞书文档下载
+
+#### 工具：lark-cli（官方飞书 CLI）
+
+**安装**：
+
+```bash
+npm install -g @larksuite/cli
+```
+
+**配置**：
+
+```bash
+# 初始化配置
+lark-cli config init
+
+# 登录授权
+lark-cli auth login --domain docs,drive,wiki --recommend
+```
+
+**核心命令**：
+
+```bash
+# 获取文档内容
+lark-cli api GET /open-apis/docx/v1/documents/<doc_id>/blocks --format json
+```
+
+### 3.4 文件附件下载
+
+#### 使用 dws CLI
+
+```bash
+# 下载文件
+dws drive download --node <fileId> --output <path>
+```
+
+---
+
+## 四、关键代码
+
+### 4.1 消息采集脚本
+
+```python
+def fetch(group_id, time_str, forward="true"):
+    cmd = [DWS, "chat", "message", "list", 
+           "--group", group_id, 
+           "--time", time_str, 
+           "--forward", forward, 
+           "--format", "json", 
+           "--limit", "200"]
+    result = subprocess.run(cmd, capture_output=True, timeout=60)
+    output = result.stdout.decode("utf-8", errors="replace")
+    json_start = output.find("{")
+    data = json.loads(output[json_start:])
+    return data.get("result", {}).get("messages", [])
+```
+
+### 4.2 链接提取脚本
+
+```python
+feishu_re = re.compile(r'https?://[a-zA-Z0-9.-]+\.feishu\.cn/(?:wiki|docx)/[A-Za-z0-9]+')
+
+for msg in messages:
+    content = msg.get("content", "")
+    for link in feishu_re.findall(content):
+        all_links.append({"url": link, "sender": msg.get("sender", "")})
+```
+
+### 4.3 文档下载脚本
+
+```python
+def get_document_content(doc_id):
+    cmd = [LARK_CLI, "api", "GET", 
+           f"/open-apis/docx/v1/documents/{doc_id}/blocks", 
+           "--format", "json"]
+    result = subprocess.run(cmd, capture_output=True, timeout=30)
+    if result.returncode == 0:
+        data = json.loads(result.stdout.decode("utf-8", errors="replace"))
+        if data.get("code") == 0:
+            return data["data"]
+    return None
+```
+
+---
+
+## 五、配置与部署
+
+### 5.1 环境要求
+
+```
+Python 3.10+
+Node.js 18+
+npm 9+
+```
+
+### 5.2 依赖安装
+
+```bash
+# Python 依赖
+pip install beautifulsoup4 requests
+
+# Node.js 依赖
+npm install -g @larksuite/cli
+```
+
+### 5.3 定时任务
+
+```powershell
+# 创建定时任务（每天18:00执行）
+schtasks /create /tn "FeishuDocCollector" /tr "python D:\desktop\feishu_docs_summary\scripts\daily_feishu_collector.py" /sc daily /st 18:00
+```
+
+---
+
+## 六、关键经验
+
+### 6.1 API 限制与应对
+
+| 问题 | 解决方案 |
+|------|----------|
+| 消息分页 | 分多次拉取 + openMessageId 去重 |
+| 飞书文档权限 | 使用 lark-cli（已授权） |
+| 文件下载超时 | 增加 timeout 参数 |
+
+### 6.2 性能优化
+
+- **并发控制**：API 调用间隔 0.5 秒
+- **增量更新**：只下载新文档
+- **缓存机制**：已下载文档不重复下载
+
+---
+
+## 七、使用指南
+
+### 7.1 快速开始
+
+```bash
+# 1. 全量拉取消息
+python scripts/fetch_all.py
+
+# 2. 提取链接
+python scripts/extract_links.py
+
+# 3. 下载文档
+python scripts/download_feishu_docs.py
+
+# 4. 构建知识图谱
+python scripts/build_graph.py
+
+# 5. 生成 Obsidian 知识库
+python scripts/write_obsidian.py
+```
+
+### 7.2 每日更新
+
+```bash
+# 运行每日采集脚本
+python scripts/daily_feishu_collector.py
+```
+
+---
+
+## 八、总结
+
+本项目通过 **dws CLI + lark-cli + Python** 实现了钉钉群聊飞书文档的自动化收集和知识库构建，大幅提升了团队知识管理效率。
+
+**核心价值**：
+- ✅ 自动化采集，节省人工时间
+- ✅ 结构化存储，便于检索
+- ✅ 知识图谱，发现关联关系
+- ✅ Obsidian 集成，支持双向链接
+- ✅ 定时更新，保持内容新鲜
+
+**技术亮点**：
+- ✅ 多工具协同（dws + lark-cli + Python）
+- ✅ 增量更新机制
+- ✅ 完整的错误处理
+- ✅ 灵活的配置系统
+
+---
+
+> 文档版本：v1.0  
+> 最后更新：2026-06-03  
+> 维护人：大师