feat(monitor): 抖音 Web 接口客户端 —— 绕开爬虫子进程，直接发 HTTP

移植自 mac-agent-os 的 mediacrawler_adapter：不起子进程、不开页面，用浏览器里那份登录态直接调抖音 Web 接口。产物键名照抄 store/douyin，所以 ingest 那条链路一个字不用改。 **目前能用的（真环境实测，非推断）**： profile/other : 200, 7075 字节 —— 博主主页指标（粉丝/获赞/作品数/昵称） aweme/detail : 200, 45425 字节 —— 单条作品详情（含点赞/评论/收藏/分享） **目前不能用的：作品列表 `aweme/post`。** 两个互相独立的原因： 1. 这个接口被抖音单独升级成了真校验：不带 x-tt-argus 回 403「Uifid Not Found」，带上 dummy 值回 200 + **空 body**。也就是说「头在不在」骗得过，「真校验」过不了。同一套头打 profile/other 和 aweme/detail 都是通的 —— 抖音是挑着接口加保护的，挑中的恰好是「批量拉作品列表」这个最敏感的动作。 2. 改走页面截获也不行：CDP 浏览器打开博主主页会落到「验证码中间页」（当天大量探测的代价，过几小时要重测）。所以现在的边界是：**已知作品的指标刷新能做，自动发现新作品做不了**。 **排查中控住变量后得到的两条事实**（都写进注释了）： · `Accept` / `Accept-Language` / `Referer` 才是主页接口能返回真数据的原因 —— 只有 UA+client hints+Cookie 时是 200 但仅 121 字节的空壳，补上这三个头变 7074 字节。（我先前猜的 sec-ch-ua 不是关键。） · 因此 UA 与 client hints 必须**成套地取自同一个浏览器**，所以 BrowserIdentity 一次从 CDP 取齐 cookie + UA + hints，而不是各自写死。「200 + 空 body 必须当场报错」也是刻意写死的：放过去它会在下游变成「这个博主没作品」，把一次失败伪装成一条正常结果 —— 爬虫那条路正是这么栽的，还被翻译成「账号被封」。测试 +11：cookie 解析、请求头成套性（含 uifid 缺失/回退）、产物键名与 store 对齐、以及 _get 的三条失败路径（空 body / 403 带网关原话 / 正常返回）。
2026-10-10 17:12:25 +08:00
parent 21ff01b894
commit 2112c1a870
1601 changed files with 367425 additions and 0 deletions
@@ -0,0 +1,181 @@
+"""
+douyin_scrape.py — 抖音抓取适配器
+
+工具：OpenCLI douyin → agent-browser（Chrome DOM提取）
+"""
+import asyncio, json, logging
+from services.adapters import ScrapeAdapter
+
+logger = logging.getLogger("dashboard.scrape.douyin")
+
+
+class DouyinScrapeAdapter(ScrapeAdapter):
+    platform = "douyin"
+    adapter_name = "douyin_scrape"
+
+    # ── 公开接口 ──
+
+    async def collect_user(self, user_id: str, limit: int = 20) -> list[dict]:
+        """抓取指定用户的视频列表（含评论）"""
+        results = []
+        ok, data, tool = await self._try_tools(2, [
+            ("opencli", lambda: self._opencli_user_videos(user_id, limit)),
+            ("agent-browser", lambda: self._browser_user_profile(user_id, limit)),
+        ])
+        if ok and data:
+            for item in data:
+                results.append(self._to_schema(item))
+        return results
+
+    async def collect_item(self, target: str, depth: str = "light",
+                           tool_level: int = 2) -> dict:
+        """抓取单条视频详情"""
+        aweme_id = self._extract_aweme_id(target)
+        if not aweme_id:
+            return {"error": f"无法解析视频ID: {target}"}
+
+        ok, data, tool = await self._try_tools(tool_level, [
+            ("opencli", lambda: self._opencli_stats(aweme_id)),
+            ("agent-browser", lambda: self._browser_video_page(aweme_id)),
+        ])
+        if ok and data:
+            return self._to_schema(data)
+        return {"error": "所有工具均无法抓取"}
+
+    async def collect_comments(self, item_id: str, limit: int = 20) -> list[dict]:
+        """抓取评论区（需先有作者 sec_uid，目前返回空表）"""
+        return []
+
+    async def collect_search(self, keyword: str, limit: int = 20) -> list[dict]:
+        """搜索视频"""
+        results = []
+        ok, data, tool = await self._try_tools(2, [
+            ("opencli", lambda: self._opencli_search(keyword, limit)),
+        ])
+        if ok and data:
+            for item in data:
+                results.append(self._to_schema(item))
+        return results
+
+    # ── OpenCLI 调用 ──
+
+    async def _opencli_user_videos(self, sec_uid: str, limit: int):
+        data = await self._run_opencli([
+            "douyin", "user-videos", sec_uid,
+            "--limit", str(limit), "--with_comments", "true",
+            "-f", "json"
+        ])
+        # OpenCLI JSON 输出直接是数组
+        if isinstance(data, list):
+            return data
+        if isinstance(data, dict) and "items" in data:
+            return data["items"]
+        # YAML 格式回退
+        if isinstance(data, list) and len(data) > 0 and "aweme_id" in data[0]:
+            return data
+        return []
+
+    async def _opencli_stats(self, aweme_id: str):
+        try:
+            return await self._run_opencli([
+                "douyin", "stats", aweme_id, "-f", "json"
+            ])
+        except Exception as e:
+            logger.warning(f"  ⚠️ douyin stats 失败: {e}")
+            return None
+
+    async def _opencli_search(self, keyword: str, limit: int):
+        # OpenCLI 暂无抖音搜索命令，返回空
+        return []
+
+    # ── agent-browser 降级 ──
+
+    async def _browser_video_page(self, aweme_id: str):
+        """通过 Chrome 打开视频页提取数据"""
+        from services.adapters.browser_helpers import page_evaluate
+        url = f"https://www.douyin.com/video/{aweme_id}"
+        js = """() => {
+            const body = document.body.innerText || '';
+            const title = document.title || '';
+            const url = window.location.href;
+            const uidM = body.match(/抖音号[：:]\\s*(\\S+)/);
+            const nickM = body.match(/@(\\S+)/);
+            function extractNum(label) {
+                var m = body.match(new RegExp('(\\\\d+(?:\\\\.\\\\d+)?[万w]?)\\\\s*' + label));
+                if (m) return m[1];
+                m = body.match(new RegExp(label + '\\\\s*(\\\\d+(?:\\\\.\\\\d+)?[万w]?)'));
+                return m ? m[1] : null;
+            }
+            return {
+                aweme_id: '"' + url.match(/\\/video\\/(\\d+)/)?.[1] + '"',
+                title: title,
+                author_nickname: nickM ? nickM[1] : '',
+                douyin_id: uidM ? uidM[1] : '',
+                digg_count: extractNum('获赞') || '',
+                fans: extractNum('粉丝') || '',
+                following: extractNum('关注') || '',
+            };
+        }"""
+        data = await page_evaluate(url, js)
+        return data
+
+    async def _browser_user_profile(self, user_id: str, limit: int):
+        return []
+
+    # ── URL 解析 ──
+
+    def _extract_aweme_id(self, target: str) -> str:
+        """从 URL 或文本中提取 aweme_id"""
+        import re
+        # 视频页: douyin.com/video/{id}
+        m = re.search(r'douyin\.com/video/(\d+)', target)
+        if m:
+            return m.group(1)
+        # iesdouyin.com/share/video/{id}
+        m = re.search(r'iesdouyin\.com/share/video/(\d+)', target)
+        if m:
+            return m.group(1)
+        # 纯数字
+        if target.isdigit():
+            return target
+        return ""
+
+    # ── 统一 Schema 转换 ──
+
+    def _to_schema(self, raw: dict) -> dict:
+        """OpenCLI 原始数据 → 统一 Schema"""
+        return {
+            "platform": "douyin",
+            "item_id": raw.get("aweme_id", ""),
+            "url": f"https://www.douyin.com/video/{raw.get('aweme_id', '')}",
+            "title": raw.get("title", ""),
+            "author_name": raw.get("author_nickname", raw.get("nickname", "")),
+            "author_id": raw.get("author_id", raw.get("douyin_id", "")),
+            "published_at": raw.get("create_time", raw.get("published_at", "")),
+            "text_content": raw.get("title", ""),
+            "tags": [],
+            "stats": {
+                "likes": raw.get("digg_count", raw.get("likes", 0)),
+                "comments": raw.get("comment_count", 0),
+                "shares": raw.get("share_count", 0),
+                "views": raw.get("play_count", raw.get("views", 0)),
+            },
+            "extra": {
+                "sec_uid": raw.get("sec_uid", ""),
+                "duration": raw.get("duration", 0),
+                "status": raw.get("status", ""),
+            },
+            "media": [{
+                "type": "video",
+                "url": raw.get("play_url", ""),
+                "duration": raw.get("duration", 0),
+            }] if raw.get("play_url") else [],
+            "comments": [
+                {
+                    "author": c.get("nickname", ""),
+                    "text": c.get("text", ""),
+                    "likes": c.get("digg_count", 0),
+                }
+                for c in (raw.get("top_comments") or [])
+            ] if raw.get("top_comments") else [],
+        }