批量做「网络核查」时，把逐站搜公司、截图、命名、归档、贴进 Word 这套重复劳动交给脚本， 你只负责在浏览器里搜索和过验证码。
一次核查动辄几十家主体 × 几十个网站，几百上千张截图。手工做，光是给图片改名和往 Word 里 贴就要几个小时，还容易贴错位置。这个工具把除「看页面」以外的环节全接管了。
打开一个网站 → 依次把所有公司搜一遍并截图 → 换下一个网站
↑ 你只做这一步 ↑ 脚本负责：复制搜索词、截图、命名、建目录、生成 Markdown 和 Word
适用场景：债券发行人存续期月度核查、IPO/并购尽调的公开信息筛查、授信客户背景核查、 反洗钱负面信息筛查（adverse media screening）—— 凡是要「逐个主体、逐个网站、截图留痕」的活。
这个项目最初的版本用 Playwright 驱动浏览器自动填搜索框、自动点查询，后来整个删掉了。
原因很实际：政府、司法、征信类网站的风控普遍会识别自动化浏览器特征。用 Playwright/Selenium 跑，轻则频繁弹验证码、搜索无结果，重则登录态失效、账号被限制。核查工作要的是结果可信、 能交付，不是跑得快 —— 图没截成、账号被封，比手工慢那点更亏。
所以现在的设计是：
- 驱动你自己日常用的浏览器（Edge / Chrome），保留你已有的登录态和 Cookie
- 脚本不注入任何自动化特征，不控制页面，只做三件事：把搜索词复制到剪贴板、在你按回车后 截图、按规则命名归档
- 验证码、登录、翻页、点进详情页 —— 全部由你本人在浏览器里完成
本工具不绕过验证码、不做反爬对抗、不批量抓取数据，只是把你本来就要做的截图工作自动归档。
核查底稿通常要求截图能看到 Windows 任务栏右下角的系统时间，用来证明核查时点。浏览器内置 的网页截图拍不到任务栏，所以这里用的是系统级全屏截图。
代价是截图瞬间浏览器必须在前台。脚本会在截图前自动最小化终端窗口，免得终端被拍进图里。
如果你外接了显示器，不要直接用 ImageGrab.grab(all_screens=True) 这类整屏抓取 —— 它拍的是
整个虚拟桌面，两块屏加中间空隙全在一张图里，有效内容可能只占三分之一，插进 Word 缩到页宽后
根本看不清。
capture_screen.py 的做法是：拿到浏览器窗口句柄 → 判断它在哪块显示器 → 只截那一块。
调用方（run.ps1）会把浏览器句柄传进来，不靠猜。
另外，高 DPI 屏（缩放 150%/200%）截出来的文字比普通 1080p 屏清晰得多，因为页面本身就是按 2 倍像素渲染的。有条件的话把浏览器放在高分屏上截。
| 依赖 | 用途 | 必需 |
|---|---|---|
| Windows 10/11 | 全屏截图和窗口控制用了 Win32 API | 是 |
| PowerShell 7+ | 主脚本（Windows PowerShell 5.1 也能跑，但中文显示更稳的是 7） | 是 |
| Python 3 + Pillow | 截图（pip install pillow） |
是 |
| Edge 或 Chrome | 你平时用的那个，保留登录态 | 是 |
| Pandoc | 把 Markdown 导成 Word | 否 |
不装 Pandoc 也能正常截图和生成 Markdown，只是不会自动导出 .docx。
首次运行如果提示「禁止运行脚本」，执行一次：
Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSignedgit clone <你的仓库地址>
cd FinDiligence
pip install pillow
# 先拿默认示例试跑（4 个站 × 3 家虚构公司）
.\run.ps1跑起来之后每张图都会停下来等你：
| 按键 | 作用 |
|---|---|
回车 |
截图并进入下一张 |
r |
重截当前这张 |
o |
重新打开本站网址 |
s |
跳过这一张 |
n |
跳过本站剩余公司，换下个网站 |
q |
退出（已截的图都保留） |
随时可以 Ctrl+C 退出，下次再跑会自动跳过已经存在的截图，从断点继续。
公司清单支持两种格式，按你的核查粒度选。
最简单，一行一个公司名：
# 我的清单.txt
# 以 # 开头的行会被忽略，可以拿来分组备注
# —— 发行人 ——
某某集团有限公司
某某控股股份有限公司
# —— 担保人 ——
某某融资担保有限公司
跑起来：
.\run.ps1 -Companies 我的清单.txt每个网站会给每家公司截 1 张图，文件名就是公司名。适合：授信客户背景核查、 反洗钱筛查这类「一家公司一条记录」的场景。
债券尽调这类场景基本都要用它：同样是裁判文书网，一家发行人要把自己、几家重要子公司、 十几位董监高挨个搜一遍，每人一张图；而百度可能只需要搜发行人本身。
三个字段的分工是这个格式的精髓：
| 字段 | 去哪了 | 举例 |
|---|---|---|
text |
Word 里图片上方的标题行 | 发行人：示例集团有限公司 |
imgName |
磁盘上的文件名 | 发行人：示例集团有限公司.jpg |
searchName |
自动复制到剪贴板，你直接 Ctrl+V | 示例集团有限公司 |
为什么要分开：Word 底稿里习惯写「发行人：某某集团」，但搜索框里只能搜「某某集团」。 分开写，标题好看、搜索也准。
完整可运行的例子见 config/companies.example.json。
如果你的 searchName 只是 text 去掉前缀，可以不写 searchName，改在网站配置里加
stripPrefixes，脚本复制时会自动剥掉前缀和 1、 这类编号：
// sites.json 里
{ "id": "03", "name": "中国裁判文书网",
"stripPrefixes": ["发行人", "重要子公司", "担保人", "董事", "监事", "高管"] }这样 发行人：示例集团有限公司 复制出去就是 示例集团有限公司。
如果你已经有上一期的 Word 底稿，不用手敲。思路是把 docx 解压出 word/document.xml，
按段落提取标题文字，组装成上面的 JSON：
# docx 本质是个 zip，把段落文字读出来
Add-Type -AssemblyName System.IO.Compression.FileSystem
$zip = [System.IO.Compression.ZipFile]::OpenRead("上期底稿.docx")
$entry = $zip.Entries | Where-Object Name -eq "document.xml"
$xml = [xml](New-Object System.IO.StreamReader($entry.Open())).ReadToEnd()
$xml.document.body.p | ForEach-Object { -join ($_.r.t.'#text') } | Where-Object { $_ }
$zip.Dispose()段落文字直接当 text，剥掉前缀当 searchName，加 .jpg 当 imgName，就是一份现成清单。
上一期的清单大多能直接复用，每期只改动几个人名。
| 文件 | 内容 | 适合 |
|---|---|---|
config/sites.example.json |
4 个站 | 第一次试跑 |
config/sites.gov33.json |
33 个政府 / 司法 / 公开信息网站 | 首次尽调的全面核查 |
config/sites.bond6.json |
6 个常用站 | 债券存续期月度核查 |
用哪份：
.\run.ps1 -Sites config\sites.gov33.json -Companies 我的清单.txt用记事本或 VS Code 打开对应的 json，在数组里加一段：
{
"id": "34",
"name": "某某省市场监督管理局",
"url": "https://scjgj.example.gov.cn/",
"manual": true,
"note": "站内检索入口在页面右上角，搜完点进详情页再截图"
}保存即可，不用改任何代码。
| 字段 | 必填 | 作用 |
|---|---|---|
id |
是 | 两位数字，决定执行顺序，也是 -Site / -FromSite / -ToSite 的筛选依据 |
name |
是 | 显示名；纯文本清单模式下，文件夹名就是 id-name |
url |
是 | 脚本自动打开的网址。填搜索页比填首页省事 |
manual |
否 | 仅作提示，标记这站通常要登录或验证码，跑到时会提醒你 |
note |
否 | 跑到这站时打印的提示语。建议写清楚「搜完要点哪里再截图」，换人接手不用问 |
stripPrefixes |
否 | 数组。复制搜索词时要剥掉的前缀，见上一节 |
searchByCompanyOnly |
否 | true 时，一家公司只在进入时复制一次搜索词 |
有些站的操作模式是「搜一次公司，然后在同一个公司页面里点不同标签页，各截一张图」—— 比如先截股权穿透图再截工商变更记录。这时两张图共用一个搜索词，加上这个字段， 脚本就不会在两张图之间重复复制。
{ "id": "06", "name": "股权穿透核查", "url": "https://...",
"searchByCompanyOnly": true,
"note": "第1张=股权穿透图，第2张=工商变更记录" }id按字符串比较，所以必须两位数：写"04"而不是"4"，否则"10"会排在"4"前面- 超过 99 个站的话改成三位
"001"也行，但全表要统一位数 - 删网站直接删那一段就行，不用重编号 —— 脚本只按
id排序，中间断号完全没问题
.\run.ps1 -Sites config\sites.gov33.json -Companies 我的清单.txt -Site 34确认网址能打开、搜索词复制正常、截图落到对的文件夹，再纳入整批跑。
截图输出_20260721/ ← -Out 决定
└─ 发行人/ ← group 决定（不填就没这层）
└─ 示例集团有限公司/ ← name 决定
└─ 03-裁判文书/ ← folderName 决定
├─ 发行人：示例集团有限公司.jpg ← imgName 决定
├─ 董事长：张三.jpg
├─ 03-裁判文书.md ← 自动生成，与所在文件夹同名
└─ 03-裁判文书.docx ← Pandoc 导出
| 想改什么 | 改哪里 |
|---|---|
| 最外层输出目录 | 命令行 -Out D:\核查\2026Q3 |
| 要不要按发行人/担保人分组 | 结构化清单里的 group 字段，留空或删掉就不建这层 |
| 公司文件夹名 | 结构化清单里的 name 字段 |
| 网站文件夹名 | 结构化清单里的 folderName；纯文本清单模式下自动取 id-name |
① 扁平，不分组（适合客户背景核查）—— 清单里不写 group：
输出/
├─ 某某集团有限公司/
│ ├─ 01-信用中国/
│ └─ 02-裁判文书/
└─ 某某控股股份有限公司/
② 按主体类型分组（适合债券尽调）—— 清单里写 "group": "发行人" / "担保人"：
输出/
├─ 发行人/
│ └─ 某某集团有限公司/
└─ 担保人/
└─ 某某融资担保有限公司/
配合 -Group 担保人 可以只跑其中一组。
③ 网站文件夹不要编号前缀 —— 把 folderName 从 03-裁判文书 改成 裁判文书 即可。
注意 .md 和 .docx 会跟着改名，因为它们始终与所在文件夹同名。
④ 按核查期归档 —— 每期换一个 -Out：
.\run.ps1 -Out D:\核查底稿\2026-07 -Companies 我的清单.json
.\run.ps1 -Out D:\核查底稿\2026-08 -Companies 我的清单.json断点续跑只看当期输出目录，所以上一期的图不会让这一期误跳过。
目录是在 run.ps1 主循环里拼的，就这几行：
$cDir = if ($c.group) { Join-Path (Join-Path $Out (Get-SafeName $c.group)) (Get-SafeName $c.name) }
else { Join-Path $Out (Get-SafeName $c.name) }
$sDir = Join-Path $cDir (Get-SafeName $sd.folderName)想改成「网站在外、公司在内」（先按网站分文件夹，每个网站下放所有公司），换成：
$cDir = Join-Path $Out (Get-SafeName $sd.folderName)
$sDir = Join-Path $cDir (Get-SafeName $c.name)Markdown 和 Word 会跟着落到新位置，其余逻辑一行都不用动。
# —— 指定输入输出 ——
.\run.ps1 -Sites config\sites.gov33.json # 换网站清单
.\run.ps1 -Companies 我的清单.json # 换公司清单（.txt 或 .json）
.\run.ps1 -Out D:\核查\2026Q3 # 换输出目录
# —— 筛选范围 ——
.\run.ps1 -Site 04 # 只跑 04 号站
.\run.ps1 -Site 裁判文书 # 站名模糊匹配
.\run.ps1 -FromSite 10 -ToSite 20 # 跑 10~20 号站
.\run.ps1 -Company 某某集团 # 只跑某家公司（模糊匹配）
.\run.ps1 -Group 担保人 # 只跑某一组
# —— 其他 ——
.\run.ps1 -Overwrite # 强制重截，覆盖已有截图
.\run.ps1 -Browser chrome # 用 Chrome（默认 Edge）
.\run.ps1 -NewWindow # 每次在新窗口打开网址
.\run.ps1 -Python "C:\Python313\python.exe" # 指定 Python
# —— Word 导出 ——
.\export_word.ps1 -Root .\截图输出_20260721 # 补导整个目录
.\export_word.ps1 -Root .\截图输出_20260721 -Force # 强制覆盖已有 docx参数可以自由组合，例如只重跑担保人的第 4 站并覆盖旧图：
.\run.ps1 -Group 担保人 -Site 04 -Overwrite建议按网站分批跑，别一次跑几百张。先跑不用登录的站（比如百度）找找手感，再跑需要登录的。 每跑完一站抽查几张图确认没问题，再跑下一站。
跑到一半浏览器崩了 / 登录态掉了
按 q 退出，重新登录，再跑同样的命令。已截的图自动跳过，从断点继续。
某张图截错了
当场按 r 重截。已经跑过去了的话，删掉那张 jpg 再跑会自动补上，或者用 -Overwrite 重跑这家。
某个网站搜不到结果 搜不到也要截图存证（证明查过、无记录）。直接按回车截当前的「无结果」页面即可。
截出来的图里有另一块屏或桌面
确认用的是本仓库的 capture_screen.py，它只截浏览器所在的那块屏。仍有问题的话，
用 -Python 确认调用的是装了 Pillow 的那个 Python。
截出来的字很糊
把浏览器放到高 DPI 屏上截，或在网页上按 Ctrl + 放大到 125% 再截。
改了 json 但没生效 脚本在启动时读一次配置，改完要重新启动才生效。另外确认 json 存为 UTF-8 编码， 否则中文会乱码。
想确认 json 没写错
Get-Content config\sites.gov33.json -Raw -Encoding UTF8 | ConvertFrom-Json不报错就是合法的。
- 本工具只做公开信息的检索留痕，请在各网站的服务条款和使用规则允许的范围内使用
- 不要用它做批量数据抓取；它一次只处理一个页面，且每一步都需要人工确认
- 验证码请自行完成，不要接入打码平台 —— 那既违反网站条款，也会让核查底稿的可信度存疑
MIT，见 LICENSE。
{ "示例集团": { // ← 内部标识，随便起，不出现在文件名里 "name": "示例集团有限公司", // ← 公司显示名，也是文件夹名 "group": "发行人", // ← 可选，会多建一层分组目录 "sites": { "03": { // ← 对应 sites.json 里的网站 id "folderName": "03-裁判文书", // ← 这个站在这家公司下的文件夹名 "paragraphs": [ // ← 这个站要截的每一张图 { "text": "发行人：示例集团有限公司", // 写进 Markdown/Word 的标题行 "imgName": "发行人：示例集团有限公司.jpg", // 截图文件名 "searchName": "示例集团有限公司" // 复制到剪贴板的搜索词 }, { "text": "董事长：张三", "imgName": "董事长：张三.jpg", "searchName": "张三" } ] }, "04": { "folderName": "04-百度", "paragraphs": [ { "text": "发行人：示例集团有限公司", "imgName": "发行人：示例集团有限公司.jpg", "searchName": "示例集团有限公司" } ] } } } }