claudia-scrape
Skill39 starsChanged 7 months agoMITView on GitHub
Extrae contenido de URLs (tweets, threads, Articles de X, artículos web). Skill-librería usada por claudia-wisdom, claudia-research y directamente por el usuario.
In this repository21 other files it gives its agents.
- CLAUDE.mdCLAUDE.md
- claudia-blueprintSkill
- claudia-calendarSkill
- claudia-corpus-syncSkill
- claudia-critiqueSkill
- claudia-finanzasSkill
- claudia-gmailSkill
- claudia-imageSkill
- claudia-intakeSkill
- claudia-onboardingSkill
- claudia-researchSkill
- claudia-thinkingSkill
- claudia-updateSkill
- claudia-wisdomSkill
- claudia-yt-analyticsSkill
- claudia-yt-transcriptSkill
- memory-searchSkill
- notesSkill
- telegram-botSkill
- vault-searchSkill
- weekly-reviewSkill
The file
We split this skill into the rules it gives an agent
2 rules. About 0 are common, 1 is distinctive, and 1 is very specific to this project.
≈0
Common · estimate
Many files like this have a rule of this kind.
≈1
Distinctive · estimate
This author's own choices. Worth a look.
1
Very specific
Tied to their project's names, files or tools. Probably skip.
- Common
- Distinctive
- Very specific
- Distinctive: line 209
Respetar límites: No hacer más de 50 requests encadenados (threads largos).
- Very specific: line 212
Para YouTube, delegar: No reinventar lo que yt-transcript ya hace bien.
≈ “Common” is an estimate: at least 1 in 5 of the 372,429 skill files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.
Files
Scrape — Extracción de contenido web
Skill-librería que extrae contenido de URLs. Usada por /claudia-wisdom y /claudia-research, y también invocable directamente.
Personalización: antes de ejecutar, lee
user/behavior.mden este directorio. Si tiene contenido, aplícalo como ajustes sobre el comportamiento de esta skill — en caso de conflicto con lo definido aquí, prevalece lo del usuario.
Paso 1 — Detectar tipo de URL y extraer
Argumentos: toma el tema y las opciones de la petición del usuario. Si el host los inyecta explícitamente en la invocación, llegan en $ARGUMENTS.
Analiza esos argumentos para identificar el tipo de fuente y aplicar el handler apropiado:
| Señal | Tipo | Handler |
URL con x.com o twitter.com | Tweet/Thread | Handler Twitter (ver abajo) |
URL con youtube.com o youtu.be | Vídeo YT | Delegar a skill claudia-yt-transcript |
| URL de plataforma de podcast (ver lista) | Podcast | Handler Podcast (ver abajo) |
| Cualquier otra URL | Web genérica | Escalación web (ver abajo) |
| Texto sin URL | — | Devolver error: esta skill requiere una URL |
Dominios de podcast reconocidos: spotify.com, podcasts.apple.com, ivoox.com, player.fm, podbean.com, transistor.fm, buzzsprout.com, anchor.fm, podcasters.spotify.com, spreaker.com, soundcloud.com, overcast.fm, pocketcasts.com, castbox.fm
Handler Twitter (FxTwitter API)
Tweet individual
- Extraer
{screen_name}y{tweet_id}de la URL- Formatos soportados:
x.com/{user}/status/{id},twitter.com/{user}/status/{id},fxtwitter.com/...,vxtwitter.com/... - Ignorar parámetros query (
?s=20,?t=..., etc.)
- Formatos soportados:
- Fetch via FxTwitter API:
https://api.fxtwitter.com/{screen_name}/status/{tweet_id} - Del JSON de respuesta (
response.tweet), extraer:text— contenido del tweetauthor.nameyauthor.screen_name— autorcreated_at— fechalikes,retweets,replies,views— métricasis_note_tweet— indica si es un tweet largo (Note)replying_to_status— ID del tweet al que responde (para threads)media— URLs de imágenes/vídeos si existen
- Formatear output:
**@{screen_name}** ({name}) — {fecha}
{texto del tweet}
[Likes: {n} | RTs: {n} | Replies: {n} | Views: {n}]
Fuente: {url original}Thread completo
Si el usuario pasa --full-thread O si durante la extracción se detecta que replying_to_status apunta al mismo autor (self-reply = thread):
- Desde el tweet dado, caminar hacia atrás via
replying_to_statushasta encontrar el tweet raíz (dondereplying_to_statusesnullo el autor cambia) - Recopilar todos los IDs del thread
- Fetch cada tweet y concatenar en orden cronológico
- Límite de seguridad: máximo 50 tweets por thread. Si se supera, avisar al usuario.
Formato thread:
**Thread de @{screen_name}** ({name}) — {fecha del primer tweet}
{n} tweets | Likes: {total} | RTs: {total}
---
**1/{n}**
{texto tweet 1}
**2/{n}**
{texto tweet 2}
...
---
Fuente: {url original}Articles de X
Los Articles son contenido largo nativo de X (publicados vía articles.x.com). Usan URLs con el formato estándar x.com/{user}/status/{id}, igual que tweets normales.
FxTwitter sí soporta Articles — devuelve el contenido completo del artículo en el campo text de la respuesta. No requiere lógica especial: el mismo flujo de tweet individual funciona.
Si el contenido extraído es significativamente más largo que un tweet normal (>1000 caracteres) y no tiene replying_to_status, trátalo como un Article. En el output, usar el formato:
**Article de @{screen_name}** ({name}) — {fecha}
{contenido completo del artículo}
[Likes: {n} | RTs: {n} | Replies: {n} | Views: {n}]
Fuente: {url original}Fallback Twitter
Si FxTwitter falla (404, 500, rate limit):
- Intentar syndication API:
https://cdn.syndication.twimg.com/tweet-result?id={tweet_id}&token=1- Extraer
text,user.name,user.screen_name,favorite_count,created_at
- Extraer
- Si también falla, intentar oEmbed:
https://publish.twitter.com/oembed?url={url_original}- Parsear el texto del blockquote en el campo
html
- Parsear el texto del blockquote en el campo
- Si todo falla, informar al usuario
Handler Podcast (transcripción de audio)
Para URLs de plataformas de podcast, delegar al script de transcripción:
python3 .claude/skills/claudia-scrape/podcast_transcribe.py <URL> --output /ruta/destino/ [--lang auto]El script intenta extraer el audio con una cadena de estrategias:
- yt-dlp — funciona directamente con muchas plataformas (iVoox, Podbean, SoundCloud...)
- Scrape de página — busca etiquetas
<audio>, links a ficheros de audio, o enlaces RSS en la página - Parse de RSS — si encuentra un feed RSS, extrae la URL del
<enclosure>del episodio más reciente
Una vez obtenido el audio: ffmpeg lo convierte a WAV 16kHz mono → whisper-cli transcribe → genera un .md con la transcripción formateada en párrafos.
Limitaciones conocidas
- Spotify: usa DRM, yt-dlp no puede extraer audio. Si la URL es de Spotify, intentar igualmente (por si hay un RSS asociado), pero avisar al usuario si falla de que Spotify protege el audio con DRM.
- Duración: episodios muy largos (>2h) pueden tardar varios minutos en transcribir. El script ajusta el timeout automáticamente.
- Precisión: Whisper con el modelo base es razonable pero no perfecto, especialmente con nombres propios o jerga técnica.
Output
El script genera un fichero .md con el mismo formato que claudia-yt-transcript:
{fecha}
# {título} — {nombre del show}
**Fuente:** {url original}
## Transcripción:
{texto formateado en párrafos}Escalación web (URLs genéricas)
Para URLs que no son Twitter ni YouTube, escalación progresiva:
Tier 1 — lectura directa de URL (por defecto)
Pide a la herramienta de lectura de URLs disponible: "Extrae el contenido principal del artículo
en markdown limpio. Ignora navegación, sidebars, ads y footers."Si devuelve contenido útil → done.
Tier 2 — curl con headers de navegador
Si falla (403, contenido vacío, bot detection):
curl -s -L \
-H "User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36" \
-H "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8" \
-H "Accept-Language: en-US,en;q=0.9,es;q=0.8" \
-H "Sec-Fetch-Dest: document" \
-H "Sec-Fetch-Mode: navigate" \
-H "Sec-Fetch-Site: none" \
-H "Sec-Fetch-User: ?1" \
"{url}"Procesar el HTML resultante extrayendo el contenido principal.
Si ambos fallan
Informar al usuario y sugerir: pegar el contenido manualmente, o usar un servicio de archivo (archive.org, 12ft.io).
Output
Esta skill devuelve el contenido extraído como texto/markdown. No guarda ficheros — eso es responsabilidad de la skill que la invoque (claudia-wisdom, claudia-research) o del usuario.
Cuando se invoca directamente (/claudia-scrape URL), mostrar el contenido extraído al usuario en la conversación.
Reglas
- No inventar contenido. Si no puedes extraer algo, dilo. Nunca fabricar texto que no está en la fuente.
- Respetar límites. No hacer más de 50 requests encadenados (threads largos).
- Informar del método usado. Si hubo fallback, mencionarlo brevemente.
- URLs privadas/protegidas. Si la cuenta es privada o el contenido requiere auth, informar al usuario inmediatamente sin intentar múltiples métodos.
- Para YouTube, delegar. No reinventar lo que
yt-transcriptya hace bien. - Para podcasts, delegar al script.
podcast_transcribe.pygestiona toda la cadena (descarga, conversión, transcripción). Claudia solo necesita invocar el script y presentar el resultado.
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

