用 WorkBuddy 批量抓取税法原文，15 部法律一键生成 Word 文档

关键词：WorkBuddy、Python 自动化、法规抓取、python-docx、国家税务总局政策法规库

一、需求背景

做税务内容/合规工作时，经常需要把现行有效的税法原文整理成一份份可归档、可编辑的 Word 文档。中国现行 18 个税种里，已有 14 部完成了立法（法律），加上《税收征收管理法》，一共 15 份权威文本。手工从网页复制、排版、去目录，既慢又容易出错。

这篇文章分享一个用 WorkBuddy 自动完成的方案：让 assistant 在本地起一个 Python 环境，直接抓取国家税务总局政策法规库（fgk.chinatax.gov.cn）的官方原文，解析结构后批量生成 15 个独立的 .docx 文件，每部法律一个文档、章/节为标题、条文加粗，并标注来源与版本。

二、整体思路

WorkBuddy 真正擅长的是「把多步任务跑通」：它能在本机建 Python 虚拟环境、写脚本、联网抓取、解析 HTML、再调用 python-docx 落盘。关键链路是：

1. 建环境：在本机 Python 的隔离目录里建 venv，装 requests / beautifulsoup4 / lxml / python-docx。
2. 定源：全部取自国家税务总局政策法规库官方页，URL 形如 fgk.chinatax.gov.cn/zcfgk/c100009/{c编号}/content.html。
3. 摸结构：官方页正文在 div.article→div.arc_cont，法律标题在 <h3>，条文是独立的 <p>。
4. 解析 + 生成：用 BeautifulSoup 取标题与正文，按「第X章/第X节/第N条」切分后交给 python-docx 写出。
5. 一键跑：一条命令生成全部 15 个文件。

三、实操步骤

步骤 1：在本机准备 Python 环境

WorkBuddy 自带受管 Python，直接在它的隔离目录里建 venv，不污染本机：

# 用 WorkBuddy 自带的 python 建 venv（Windows 路径示例）
C:/Users/你的用户名/.workbuddy/binaries/python/versions/3.13.12/python.exe \
  -m venv C:/Users/你的用户名/.workbuddy/binaries/python/envs/default

# 安装依赖
Scripts/python.exe -m pip install requests beautifulsoup4 lxml python-docx

步骤 2：定位每部法律的官方 URL

法规库正文页的链接是稳定可预测的（同一批 2020-08-11 通过的法律 c 编号相邻）。对缺失的个别法律，用「限定域名检索」拿到权威 URL，避免抓到地方税务子站的镜像副本。

注意版本陷阱：《税收征收管理法》的「最新版本」是 2015 年修正版（现行有效），不要用 2025 年的修订征求意见稿。 《环境保护税法》要用 2025 年第二次修正版 的完整法律文本（c5193032）；同站另一个 c 编号只是《修改决定》，不是法律全文。

步骤 3：摸清网页结构

用一段 Python 验证可以直接取到完整未截断的全文：

import requests
from bs4 import BeautifulSoup

url = "https://fgk.chinatax.gov.cn/zcfgk/c100009/c5193018/content.html"  # 企业所得税法
r = requests.get(url, timeout=20, headers={"User-Agent": "Mozilla/5.0"})
r.encoding = "utf-8"
soup = BeautifulSoup(r.text, "lxml")
title = soup.find("h3").get_text(strip=True)          # 法律名称
arc = soup.select_one("div.article div.arc_cont")     # 正文容器
paras = [p.get_text(" ", strip=True) for p in arc.find_all("p")]
print(title, "条文段落数:", len(paras))

步骤 4：写解析 + 生成脚本

核心是把网页文本还原成 Word 的层级结构。难点有三个（下一节详述），解析逻辑要覆盖它们：

• 把每个 <p> 按「第X章 / 第X节 / 第N条」正则切分；
• 章节标题映射为 Word 的 Heading 样式，条文正文加粗；
• 自动识别并剥掉网页顶部的「目录」重复块。

然后用 python-docx 写出，页脚/文首注明来源 URL 与抓取日期，方便日后复核版本。

步骤 5：一条命令生成全部 15 个文件

Scripts/python.exe 税法原文生成脚本.py gen

跑完即得到 15 个独立的 Word 文档，命名如 中华人民共和国企业所得税法.docx。

四、三个容易踩的坑（都是实测）

1. 网页自带「目录」会重复出现在正文里。长法律（如企业所得税法 60 条、增值税法 38 条）正文开头有一块目录，章节标题会和正文开头的标题逐项重复。解法：对连续的章节标题做周期匹配，跳过多余的目录块。
2. 短法律整段塞进一个 <p>。印花税法、资源税法等会把整部法压在一个 <p> 里，必须按「第N条」在段内再次切分，否则会整段挤成一个段落。
3. 章名里有装饰性空格。网页正文的章名常插入全角空格（如「第三章　应　纳　税　额」），与目录里的写法不一致，会干扰去重判断，写文件前统一清洗掉。

另外 Windows 上 venv 的可执行文件在 Scripts/python.exe（不是 bin/python），直接写脚本时别搞错路径。

五、成果与版本注意事项

• 15 份 Word 全部生成，条文数校验通过（企业所得税法 60、增值税法 38、关税法 72、环境保护税法 29、税收征收管理法 94 等），无重复段落。
• 章/节层级用 Word 标题样式还原，条文号加粗，中文字体设为宋体/黑体，开起来就是规范文档。
• 脚本留着，日后法规有新修正，重跑 gen 即可更新。

正式引用时，仍以「国家法律法规数据库（flk.npc.gov.cn）」复核为准——本方案抓取的是税务总局法规库的权威文本，适合做工作底稿与归档。

六、小结

这类「从权威网站批量抓取结构化文本 → 落盘成可编辑文档」的任务，用 WorkBuddy 跑非常合适：环境、脚本、抓取、解析、生成全链路都能在本机一次性跑通，省去大量手工复制粘贴。把这套思路套到合同、裁判文书、政策文件的批量归档上，同样适用。