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 @@
+"""
+zhihu_scrape.py — 知乎抓取适配器
+
+工具：OpenCLI zhihu → agent-browser（Chrome DOM提取）
+"""
+import asyncio, json, logging, re
+from services.adapters import ScrapeAdapter
+
+logger = logging.getLogger("dashboard.scrape.zhihu")
+
+
+class ZhihuScrapeAdapter(ScrapeAdapter):
+    platform = "zhihu"
+    adapter_name = "zhihu_scrape"
+
+    async def collect_user(self, user_id: str, limit: int = 20) -> list[dict]:
+        """抓取指定用户的回答/文章列表"""
+        results = []
+        ok, data, tool = await self._try_tools(2, [
+            ("opencli", lambda: self._opencli_user_answers(user_id, limit)),
+        ])
+        if ok and data:
+            for item in (data if isinstance(data, list) else [data]):
+                results.append(self._to_schema(item))
+        return results
+
+    async def collect_item(self, target: str, depth: str = "light",
+                           tool_level: int = 2) -> dict:
+        """抓取单条回答/文章详情"""
+        item_id = self._extract_id(target)
+        if not item_id:
+            return {"error": f"无法解析内容ID: {target}"}
+        ok, data, tool = await self._try_tools(tool_level, [
+            ("opencli", lambda: self._opencli_answer(item_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]:
+        return []
+
+    async def collect_search(self, keyword: str, limit: int = 20) -> list[dict]:
+        """搜索问题/回答"""
+        results = []
+        ok, data, tool = await self._try_tools(2, [
+            ("opencli", lambda: self._opencli_search(keyword, limit)),
+        ])
+        if ok and data:
+            for item in (data if isinstance(data, list) else [data]):
+                results.append(self._to_schema(item))
+        return results
+
+    # ── OpenCLI 调用 ──
+
+    async def _opencli_user_answers(self, user_id: str, limit: int):
+        return await self._run_opencli([
+            "zhihu", "user-answers", user_id,
+            "--limit", str(limit), "-f", "json"
+        ])
+
+    async def _opencli_answer(self, answer_id: str):
+        return await self._run_opencli([
+            "zhihu", "answer", answer_id, "-f", "json"
+        ])
+
+    async def _opencli_search(self, keyword: str, limit: int):
+        return await self._run_opencli([
+            "zhihu", "search", keyword,
+            "--limit", str(limit), "-f", "json"
+        ])
+
+    # ── URL 解析 ──
+
+    def _extract_id(self, target: str) -> str:
+        """从 URL 提取 answer_id / question_id"""
+        # zhihu.com/answer/{id}
+        m = re.search(r'zhihu\.com/answer/(\d+)', target)
+        if m:
+            return m.group(1)
+        # zhihu.com/question/{id}/answer/{id}
+        m = re.search(r'zhihu\.com/question/\d+/answer/(\d+)', target)
+        if m:
+            return m.group(1)
+        # 纯数字
+        if target.isdigit():
+            return target
+        return ""
+
+    # ── 统一 Schema ──
+
+    def _to_schema(self, raw: dict) -> dict:
+        return {
+            "platform": "zhihu",
+            "item_id": raw.get("answer_id", raw.get("id", raw.get("url_token", ""))),
+            "url": raw.get("url", ""),
+            "title": raw.get("title", raw.get("question_title", raw.get("excerpt", ""))),
+            "author_name": raw.get("author", raw.get("user_name", raw.get("name", ""))),
+            "author_id": raw.get("user_id", raw.get("author_id", "")),
+            "published_at": raw.get("created_time", raw.get("created_at", raw.get("updated_time", ""))),
+            "text_content": raw.get("content", raw.get("excerpt", "")),
+            "tags": raw.get("topics", []),
+            "stats": {
+                "likes": raw.get("voteup_count", raw.get("likes", 0)),
+                "comments": raw.get("comment_count", raw.get("comments", 0)),
+                "shares": 0,
+                "views": 0,
+            },
+            "extra": {
+                "question_id": raw.get("question_id", ""),
+                "answer_id": raw.get("answer_id", ""),
+            },
+            "media": [],
+            "comments": [],
+        }