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 +1,115 @@
+"""
+web_scrape.py — 通用网页抓取适配器
+
+工具：web_crawler skill → agent-browser（Chrome DOM提取）
+
+用途：抓取非平台特定网页内容（文章、博客、新闻等）
+"""
+import asyncio, json, logging
+from services.adapters import ScrapeAdapter
+
+logger = logging.getLogger("dashboard.scrape.web")
+
+
+class WebScrapeAdapter(ScrapeAdapter):
+    platform = "web"
+    adapter_name = "web_scrape"
+
+    async def collect_item(self, target: str, depth: str = "light",
+                           tool_level: int = 2) -> dict:
+        """抓取单条网页内容"""
+        ok, data, tool = await self._try_tools(tool_level, [
+            ("web_crawler", lambda: self._web_crawl(target)),
+            ("agent-browser", lambda: self._browser_extract(target)),
+        ])
+        if ok and data:
+            return self._to_schema(data)
+        return {"error": "所有工具均无法抓取"}
+
+    async def collect_user(self, user_id: str, limit: int = 20) -> list[dict]:
+        return []
+
+    async def collect_comments(self, item_id: str, limit: int = 20) -> list[dict]:
+        return []
+
+    async def collect_search(self, keyword: str, limit: int = 20) -> list[dict]:
+        return []
+
+    # ── web_crawler 调用 ──
+
+    async def _web_crawl(self, url: str):
+        """通过 web_crawler skill 爬取网页"""
+        try:
+            from services.crawl_service import crawl_url
+            result = await crawl_url(url)
+            return result
+        except ImportError:
+            logger.warning("  ⚠️ web_crawler skill 未加载，尝试 Crawl4AI 直调")
+            return await self._crawl4ai_fallback(url)
+        except Exception as e:
+            logger.warning(f"  ⚠️ web_crawler 失败: {e}")
+            return await self._crawl4ai_fallback(url)
+
+    async def _crawl4ai_fallback(self, url: str) -> dict:
+        """通过 Crawl4AI 直接爬取"""
+        try:
+            import subprocess, json
+            # 使用 crawl4ai 命令行
+            proc = await asyncio.create_subprocess_exec(
+                *["python3", "-m", "crawl4ai", url, "--json"],
+                stdout=asyncio.subprocess.PIPE,
+                stderr=asyncio.subprocess.PIPE,
+            )
+            stdout, stderr = await asyncio.wait_for(proc.communicate(), timeout=30)
+            if stdout:
+                result = json.loads(stdout.decode().strip())
+                return result
+        except Exception as e:
+            logger.warning(f"  ⚠️ Crawl4AI 降级失败: {e}")
+        return None
+
+    async def _browser_extract(self, url: str) -> dict:
+        """通过 Chrome 浏览器提取页面内容"""
+        from services.adapters.browser_helpers import page_extract
+        selectors = ["article", "main", ".content", ".post-content", ".article-content",
+                     "[class*='content']", "body"]
+        data = await page_extract(url, selectors, headless=True)
+        if data:
+            # 提取最长文本块作为正文
+            texts = []
+            for sel, items in data.items():
+                for t in items:
+                    if len(t) > 100:
+                        texts.append(t)
+            content = max(texts, key=len) if texts else list(data.values())[0][0] if any(data.values()) else ""
+            return {
+                "url": url,
+                "title": (await self._browser_title(url)).get("title", ""),
+                "content": content,
+            }
+        return {}
+
+    async def _browser_title(self, url: str) -> dict:
+        """提取页面标题"""
+        from services.adapters.browser_helpers import page_evaluate
+        js = "() => ({title: document.title})"
+        return await page_evaluate(url, js, headless=True)
+
+    # ── 统一 Schema ──
+
+    def _to_schema(self, raw: dict) -> dict:
+        return {
+            "platform": "web",
+            "item_id": raw.get("url", ""),
+            "url": raw.get("url", ""),
+            "title": raw.get("title", ""),
+            "author_name": raw.get("author", raw.get("site_name", "")),
+            "author_id": "",
+            "published_at": raw.get("published_at", raw.get("date", "")),
+            "text_content": raw.get("content", raw.get("text", raw.get("markdown", ""))),
+            "tags": raw.get("tags", []),
+            "stats": {},
+            "extra": {},
+            "media": [],
+            "comments": [],
+        }