# 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