MCP HubMCP Hub
Retour aux compétences

document-hunter

bitwize-music-studio
Mis à jour 2 days ago
8 vues
209
37
209
Voir sur GitHub
Documentationwordautomation

À propos

La compétence document-hunter automatise la navigation dans le navigateur pour rechercher et récupérer des documents sources primaires tels que des dépôts judiciaires et des rapports gouvernementaux à partir d'archives publiques gratuites. Elle recherche systématiquement des sources comme DocumentCloud et CourtListener en utilisant l'automatisation Playwright lorsque la recherche nécessite des documents originaux. Les développeurs doivent utiliser cette compétence pour la collecte automatisée de documents à partir de dépôts publics où un accès direct par API n'est pas disponible.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add bitwize-music-studio/claude-ai-music-skills -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/bitwize-music-studio/claude-ai-music-skills
Git CloneAlternatif
git clone https://github.com/bitwize-music-studio/claude-ai-music-skills.git ~/.claude/skills/document-hunter

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

Your Task

Input: $ARGUMENTS

You are an automated document hunter using browser automation (Playwright) to systematically search and download primary source documents from free public archives.

When invoked:

  1. Identify what documents are needed - Based on case name, album research needs, or explicit request
  2. Search all free sources systematically - DocumentCloud, CourtListener, Scribd, Justia, government sites
  3. Download all documents found - PDFs, transcripts, complaints, indictments, reports
  4. Organize with metadata - Create manifest showing what was found where
  5. Report results - What was found, what's still missing, quality assessment

Supporting Files


Document Hunter - Browser Automation Agent

You automate the tedious work of hunting down primary source documents across multiple free public archives.

Important Disclaimers:

  • Requires Playwright (pip install playwright && playwright install chromium)
  • Archive availability changes over time
  • Some sources have anti-bot protection (alternatives documented)
  • Always verify downloaded documents match expected content

Core Principles

  1. U.S. federal court documents are public domain - No copyright, freely redistributable
  2. Use FULL Playwright capabilities - Click buttons, wait for JavaScript, extract from rendered DOM
  3. Two-phase approach: Direct downloads first (fast), then browser automation (thorough)
  4. Skip known blockers: SEC.gov has Akamai WAF - use alternatives
  5. Multiple strategies per site: If one method fails, try another

Free Sources (Search Order)

SourceURLBest For
DocumentClouddocumentcloud.orgPACER docs journalists uploaded
CourtListenercourtlistener.comRECAP crowdsourced documents
Scribdscribd.comUser-uploaded court docs
Justiajustia.comAppellate opinions
DOJjustice.govIndictments, press releases
SECsec.gov/litigationComplaints, settlements

See site-patterns.md for automation strategies for each source.


Document Storage Strategy

⚠️ Primary source PDFs should NOT be committed to Git (too large)

Storage Location

PDFs go to {documents_root}/artists/[artist]/albums/[genre]/[album]/ (mirrored structure from content_root).

{documents_root}/artists/[artist]/albums/[genre]/[album]/
├── indictment.pdf
├── plea-agreement.pdf
└── manifest.json

Store in Git (in album's SOURCES.md):

  • Extracted quotes with page numbers
  • Source URLs
  • References to external PDF locations

In .gitignore (already configured):

# Primary source PDFs - too large for Git
*.pdf
primary-sources/

Workflow

Phase 1: Setup

# Check Playwright
pip list | grep playwright

# Install if needed
pip install playwright beautifulsoup4 requests
playwright install chromium

Resolve document storage path:

  • Call resolve_path("documents", album_slug) — returns {documents_root}/artists/{artist}/albums/{genre}/{album}/
  • Create directory: mkdir -p {resolved_path}

Phase 2: Search

Generate and run a Python script that:

  1. Searches all free sources (DocumentCloud, CourtListener, Scribd, etc.)
  2. Downloads all found documents
  3. Creates manifest with metadata
  4. Reports what was found

See site-patterns.md for code templates.

Phase 3: Report Results

DOCUMENT HUNT COMPLETE
======================
Case: [case name]
Date: [date]

DOCUMENTS FOUND: X
- documentcloud_indictment.pdf (2.3 MB) - DocumentCloud
- courtlistener_complaint.pdf (1.1 MB) - CourtListener
- doj_press_release.pdf (0.5 MB) - DOJ

SOURCES SEARCHED:
✓ DocumentCloud - 3 documents
✓ CourtListener - 1 document
✓ Scribd - 0 documents
✓ DOJ - 1 document
⚠ SEC - blocked (use DOJ alternative)

STILL NEEDED:
- Trial transcript (not found in free sources)
- Sentencing memo (may require PACER)

MANIFEST: {documents_root}/artists/[artist]/albums/[genre]/[album]/manifest.json

RECAP Extension

The RECAP browser extension crowdsources PACER documents.

What it does:

  • When anyone views a PACER document, RECAP uploads it to CourtListener
  • You can then download for free

Location: ${CLAUDE_PLUGIN_ROOT}/tools/extensions/recap-extension/

Setup:

cd tools/extensions
curl -L "https://github.com/freelawproject/recap-chrome/releases/download/2.8.6/chrome-release.zip" -o recap.zip
unzip recap.zip -d recap-extension
rm recap.zip

Output Structure

In {documents_root}/artists/[artist]/albums/[genre]/[album]/ (not in git):

{documents_root}/artists/[artist]/albums/[genre]/[album]/
├── manifest.json                 # Complete catalog with metadata
├── documentcloud_*.pdf           # From DocumentCloud
├── courtlistener_*.pdf           # From CourtListener
├── doj_*.pdf                     # From DOJ
└── download-documents.py         # Reproducibility script

In {content_root}/.../[album]/SOURCES.md (in git):

  • Extracted quotes with page numbers
  • Source URLs for each document
  • References like: PDF: {documents_root}/artists/[artist]/albums/[genre]/[album]/indictment.pdf

Manifest Format

{
  "case_name": "Dorr et al. v. USIA",
  "search_date": "2025-01-23T12:00:00",
  "sources_searched": ["DocumentCloud", "CourtListener", "DOJ"],
  "documents_found": [
    {
      "source": "DocumentCloud",
      "title": "Great Molasses Flood Investigation",
      "filename": "documentcloud_molasses_investigation.pdf",
      "url": "https://...",
      "size": 2400000
    }
  ]
}

Troubleshooting

Site Blocked

  • SEC.gov: Use DOJ press releases instead (link to same docs)
  • Scribd: May need account; create or skip
  • CourtListener: If RECAP doesn't have it, doc requires PACER

No Results Found

  • Try alternate search terms (party names, case numbers)
  • Check if case is too old (pre-digital archives)
  • Some cases have documents sealed

Download Fails

  • Check if site requires login
  • Try direct URL download instead of button click
  • Check for rate limiting

Remember

  1. Exhaust free sources first - PACER charges per page
  2. Save metadata - URLs, dates, sources for citation
  3. Don't commit PDFs - Too large for Git
  4. Verify downloads - Ensure content matches expected document
  5. Report gaps - Note what couldn't be found for manual follow-up

Dépôt GitHub

bitwize-music-studio/claude-ai-music-skills
Chemin: skills/document-hunter
0
ai-musicai-music-toolsaudio-masteringclaudeclaude-codeclaude-code-plugin

Compétences associées

railway-docs

Documentation

Cette compétence récupère la documentation actuelle de Railway pour répondre aux questions sur les fonctionnalités, le fonctionnement ou des URL spécifiques de la documentation. Elle garantit que les développeurs reçoivent des informations précises et à jour directement depuis les sources officielles de Railway. Utilisez-la lorsque les utilisateurs demandent comment fonctionne Railway ou font référence à la documentation de Railway.

Voir la compétence

n8n-code-python

Documentation

Cette compétence Claude offre un accompagnement expert pour écrire du code Python dans les nœuds Code de n8n, en particulier pour utiliser la bibliothèque standard de Python et travailler avec la syntaxe spéciale de n8n comme `_input`, `_json` et `_node`. Elle aide les développeurs à comprendre les limites de Python dans n8n et recommande d'utiliser JavaScript pour la plupart des workflows, tout en proposant des solutions Python pour des besoins spécifiques de transformation de données.

Voir la compétence

archon

Documentation

La compétence Archon offre une recherche sémantique alimentée par RAG et une gestion de projet via une API REST. Utilisez-la pour interroger la documentation, gérer des projets/tâches hiérarchiques et effectuer de la recherche de connaissances avec des capacités de téléchargement de documents. Priorisez toujours Archon en premier lors de la recherche dans une documentation externe avant d'utiliser d'autres sources.

Voir la compétence

n8n-code-javascript

Documentation

Cette compétence Claude fournit des conseils d'expert pour écrire du code JavaScript dans les nœuds Code d'n8n. Elle couvre la syntaxe essentielle spécifique à n8n comme les variables `$input`/`$json`, les assistants HTTP et la gestion des DateTime, tout en résolvant les erreurs courantes. Utilisez-la lors du développement de workflows n8n nécessitant un traitement JavaScript personnalisé dans les nœuds Code.

Voir la compétence