MCP HubMCP Hub
Вернуться к навыкам

document-hunter

bitwize-music-studio
Обновлено Yesterday
2 просмотров
209
37
209
Посмотреть на GitHub
Документацияwordautomation

О программе

Навык document-hunter автоматизирует навигацию в браузере для поиска и извлечения первичных исходных документов, таких как судебные иски и государственные отчеты, из бесплатных публичных архивов. Он систематически ищет в таких источниках, как DocumentCloud и CourtListener, используя автоматизацию Playwright, когда исследование требует оригинальных документов. Разработчикам следует использовать этот навык для автоматизированного сбора документов из публичных репозиториев, где прямой доступ через API недоступен.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add bitwize-music-studio/claude-ai-music-skills -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/bitwize-music-studio/claude-ai-music-skills
Git клонированиеАльтернативный
git clone https://github.com/bitwize-music-studio/claude-ai-music-skills.git ~/.claude/skills/document-hunter

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

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

GitHub репозиторий

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

Похожие навыки

railway-docs

Документация

Этот навык получает актуальную документацию Railway, чтобы отвечать на вопросы о функциях, возможностях или конкретных URL-адресах документации. Он гарантирует, что разработчики получают точную и современную информацию напрямую из официальных источников Railway. Используйте его, когда пользователи спрашивают, как работает Railway, или ссылаются на документацию Railway.

Просмотреть навык

n8n-code-python

Документация

Этот навык Claude предоставляет экспертные рекомендации по написанию кода Python в узлах Code платформы n8n, в частности, по использованию стандартной библиотеки Python и работе со специальным синтаксисом n8n, таким как `_input`, `_json` и `_node`. Он помогает разработчикам понять ограничения Python в среде n8n и рекомендует использовать JavaScript для большинства рабочих процессов, предлагая решения на Python для конкретных задач по преобразованию данных.

Просмотреть навык

archon

Документация

Навык Archon предоставляет семантический поиск на основе RAG и управление проектами через REST API. Используйте его для запросов к документации, управления иерархическими проектами/задачами и выполнения поиска информации с возможностью загрузки документов. Всегда в первую очередь обращайтесь к Archon при поиске во внешней документации, прежде чем использовать другие источники.

Просмотреть навык

n8n-code-javascript

Документация

Этот навык Claude предоставляет экспертные рекомендации по написанию кода JavaScript в узлах Code платформы n8n. Он охватывает важный синтаксис, специфичный для n8n, включая переменные `$input`/`$json`, HTTP-хелперы и работу с DateTime, а также помогает в устранении распространённых ошибок. Используйте его при разработке рабочих процессов в n8n, требующих кастомной обработки JavaScript в узлах Code.

Просмотреть навык