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）。
124 lines
3.7 KiB
Python
124 lines
3.7 KiB
Python
#!/usr/bin/env python3
|
|
"""
|
|
触发词语义匹配检测工具
|
|
混合模式：先关键词精确匹配，未命中则 Embedding 语义相似度匹配
|
|
|
|
用法：
|
|
python3 trigger_matcher.py "用户说的话"
|
|
|
|
返回：
|
|
matched: true/false
|
|
category: "meta-thinking" / "cross-domain" / "knowledge-review" / ""
|
|
match_type: "keyword" / "semantic" / ""
|
|
similarity: 0.0-1.0
|
|
"""
|
|
|
|
import json, sys, os, urllib.request
|
|
|
|
# 触发类别及种子词
|
|
TRIGGER_CATEGORIES = {
|
|
"meta-thinking": ["升维思考", "第一性原理", "前提挑战", "深层原因", "本质是什么", "批判地看", "升维", "本质", "前提"],
|
|
"cross-domain": ["跨界视角", "换个角度", "类比一下", "新视角", "别的领域", "借鉴一下", "跨界", "类比", "新角度", "换个思路"],
|
|
"knowledge-review": ["入库", "记录这条", "保存知识", "知识审查", "记录", "保存"],
|
|
}
|
|
|
|
EMBEDDING_URL = "http://localhost:8000/v1/embeddings"
|
|
EMBEDDING_MODEL = "Qwen3-Embedding-0.6B"
|
|
SIMILARITY_THRESHOLD = 0.8
|
|
|
|
|
|
def keyword_match(text: str) -> tuple:
|
|
"""关键词精确匹配，返回 (category, trigger_word) 或 ("", "")"""
|
|
for category, keywords in TRIGGER_CATEGORIES.items():
|
|
for kw in keywords:
|
|
if kw in text:
|
|
return category, kw
|
|
return "", ""
|
|
|
|
|
|
def get_embedding(text: str) -> list:
|
|
"""调用 oMLX Embedding API 获取向量"""
|
|
data = json.dumps({
|
|
"model": EMBEDDING_MODEL,
|
|
"input": text
|
|
}).encode()
|
|
req = urllib.request.Request(
|
|
EMBEDDING_URL, data=data,
|
|
headers={"Authorization": "Bearer omlx", "Content-Type": "application/json"},
|
|
method="POST"
|
|
)
|
|
resp = urllib.request.urlopen(req, timeout=10)
|
|
result = json.loads(resp.read())
|
|
return result["data"][0]["embedding"]
|
|
|
|
|
|
def cosine_similarity(a: list, b: list) -> float:
|
|
"""计算余弦相似度"""
|
|
dot = sum(x * y for x, y in zip(a, b))
|
|
na = sum(x * x for x in a) ** 0.5
|
|
nb = sum(y * y for y in b) ** 0.5
|
|
return dot / (na * nb) if na and nb else 0.0
|
|
|
|
|
|
def semantic_match(text: str) -> tuple:
|
|
"""语义相似度匹配，返回 (best_category, best_score)"""
|
|
try:
|
|
text_vec = get_embedding(text)
|
|
except Exception as e:
|
|
return ("", 0.0)
|
|
|
|
best_cat = ""
|
|
best_score = 0.0
|
|
for category, keywords in TRIGGER_CATEGORIES.items():
|
|
# 用类别名 + 第一个种子词作为类别向量
|
|
cat_text = f"{category}: {', '.join(keywords[:2])}"
|
|
try:
|
|
cat_vec = get_embedding(cat_text)
|
|
score = cosine_similarity(text_vec, cat_vec)
|
|
if score > best_score:
|
|
best_score = score
|
|
best_cat = category
|
|
except:
|
|
continue
|
|
return (best_cat, best_score)
|
|
|
|
|
|
def detect(text: str) -> dict:
|
|
"""主检测函数：先关键词，再语义"""
|
|
cat, kw = keyword_match(text)
|
|
if cat:
|
|
return {
|
|
"matched": True,
|
|
"category": cat,
|
|
"match_type": "keyword",
|
|
"trigger": kw,
|
|
"similarity": 1.0
|
|
}
|
|
|
|
cat, score = semantic_match(text)
|
|
if cat and score >= SIMILARITY_THRESHOLD:
|
|
return {
|
|
"matched": True,
|
|
"category": cat,
|
|
"match_type": "semantic",
|
|
"trigger": "",
|
|
"similarity": round(score, 4)
|
|
}
|
|
|
|
return {
|
|
"matched": False,
|
|
"category": "",
|
|
"match_type": "",
|
|
"trigger": "",
|
|
"similarity": 0.0
|
|
}
|
|
|
|
|
|
if __name__ == "__main__":
|
|
if len(sys.argv) < 2:
|
|
print("用法: trigger_matcher.py <文本>")
|
|
sys.exit(1)
|
|
text = sys.argv[1]
|
|
result = detect(text)
|
|
print(json.dumps(result, ensure_ascii=False, indent=2))
|