Evilom
5616622a05
- 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
308 lines
6.5 KiB
Markdown
308 lines
6.5 KiB
Markdown
# 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
|