butubb
2112c1a870
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）。
102 lines
2.6 KiB
Markdown
102 lines
2.6 KiB
Markdown
---
|
||
name: cloakbrowser_controller
|
||
version: 1.0.0
|
||
status: archived
|
||
archived_date: 2026-06-21
|
||
description: [已归档] CloakBrowser 反爬浏览器设计，无实现代码
|
||
triggers: []
|
||
---
|
||
|
||
# CloakBrowser Controller Skill
|
||
|
||
## 概述
|
||
|
||
源码级修改的 Chromium 分发版，49项 C++ 补丁修改指纹，30/30反爬检测全部通过。
|
||
**只替换浏览器操作层，不涉及 Matrix 养号的 Camoufox（已深度适配）。**
|
||
|
||
## 安装
|
||
|
||
```bash
|
||
# agent-os venv（本机）
|
||
/Users/chengzige/.workbuddy/binaries/python/envs/agent-os/bin/python3 -m pip install cloakbrowser
|
||
|
||
# 首次运行自动下载 ~350MB Chromium 二进制到 ~/.cloakbrowser/
|
||
# 二进制位置: ~/.cloakbrowser/chromium-145.0.7632.109.2/Chromium.app
|
||
```
|
||
|
||
## 验证
|
||
|
||
```python
|
||
from cloakbrowser import launch
|
||
b = launch(humanize=True)
|
||
page = b.new_page()
|
||
page.goto("https://www.baidu.com")
|
||
print(page.title()) # → "百度一下，你就知道"
|
||
b.close()
|
||
```
|
||
|
||
### 代理环境
|
||
|
||
如使用代理，需在 Python 代码中设置环境变量：
|
||
|
||
```python
|
||
import os
|
||
os.environ['HTTPS_PROXY'] = 'socks5://127.0.0.1:6478' # SOCKS5
|
||
os.environ['HTTP_PROXY'] = 'socks5://127.0.0.1:6478' # 或 http 代理
|
||
```
|
||
|
||
### 预下载二进制
|
||
|
||
```python
|
||
from cloakbrowser.download import ensure_binary, binary_info
|
||
info = binary_info()
|
||
print(info["installed"]) # 是否已下载
|
||
ensure_binary() # 预下载 Chromium 二进制
|
||
```
|
||
|
||
## API 用法（与 Playwright 完全兼容）
|
||
|
||
```python
|
||
# 旧：Playwright（易被检测）
|
||
# from playwright.sync_api import sync_playwright
|
||
|
||
# 新：CloakBrowser（30/30通过）
|
||
from cloakbrowser import launch
|
||
|
||
browser = launch(humanize=True) # humanize 启用人类行为模拟
|
||
page = browser.new_page()
|
||
page.goto("https://protected-site.com")
|
||
# ... 标准的 Playwright API
|
||
browser.close()
|
||
```
|
||
|
||
## 在系统中的应用
|
||
|
||
### 1. web_crawler 高级引擎
|
||
|
||
替换 Playwright stealth 引擎：
|
||
|
||
```python
|
||
# web_crawler 引擎选择
|
||
反爬级别 → 引擎
|
||
低（静态）→ Scrapling（最快）
|
||
高（Cloudflare等）→ CloakBrowser（新增，默认）
|
||
```
|
||
|
||
### 2. content-inspiration 采集引擎
|
||
|
||
替换 agent-browser 进行抖音/网页内容采集：
|
||
|
||
```python
|
||
# collect.py 采集引擎
|
||
platform == "douyin" 且需要浏览器 → CloakBrowser（优先）
|
||
platform == "douyin" 且 CloakBrowser 失败 → 回退 OpenCLI
|
||
```
|
||
|
||
## 注意事项
|
||
|
||
- **Matrix 养号的 Camoufox 不动** — 账号适配已完成，换内核需重写
|
||
- CloakBrowser 首次启动会下载 ~200MB 二进制，需等待
|
||
- 建议与 Scrapling 配合使用：静态页走 Scrapling，高反爬走 CloakBrowser
|
||
- 与 Peekaboo 无冲突：CloakBrowser 做浏览器操作，Peekaboo 做桌面GUI/OCR
|