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）。
58 lines
1.7 KiB
YAML
58 lines
1.7 KiB
YAML
# 口播素材采集系统配置
|
||
# 使用前请根据本机环境修改以下内容
|
||
|
||
# 采集平台（目前支持 xiaohongshu / douyin / bilibili）
|
||
platforms:
|
||
- xiaohongshu
|
||
|
||
# 采集关键词列表
|
||
keywords:
|
||
- "普通人逆袭"
|
||
- "情感故事"
|
||
- "科普冷知识"
|
||
- "电影解说结构"
|
||
|
||
# 每个关键词每次采集的最大数量
|
||
max_count: 20
|
||
|
||
# 本地 AI 模型配置（oMLX，非 Ollama）
|
||
llm:
|
||
model: "Qwen2.5-VL-3B-Instruct-8bit"
|
||
base_url: "http://localhost:8000/v1"
|
||
api_key: "omlx"
|
||
timeout: 120 # 每条分析超时秒数
|
||
temperature: 0.3 # 低温度保证输出稳定
|
||
|
||
# 数据存储路径（相对于项目根目录）
|
||
storage:
|
||
raw_dir: "data/raw" # JSONL 原始数据
|
||
db_path: "data/database.db" # SQLite 数据库
|
||
media_dir: "~/workbuddy-agent-os/agent-local/materials/video" # 下载的视频
|
||
audio_dir: "~/workbuddy-agent-os/agent-local/materials/audio" # 下载的音频
|
||
logs_dir: "logs" # 运行日志
|
||
|
||
# MediaCrawler 配置
|
||
crawler:
|
||
# MediaCrawler 项目路径（需手动 clone）
|
||
# 安装方式：cd ~/workbuddy-agent-os/agent-sync/05_tools/05_crawl && git clone https://github.com/NanmiCoder/MediaCrawler.git
|
||
project_path: ""
|
||
# 浏览器模式：headless（后台） / headed（有界面，调试用）
|
||
browser_mode: "headless"
|
||
# 请求间隔（秒），防反爬
|
||
request_delay: 2
|
||
|
||
# Web 界面配置
|
||
web:
|
||
host: "127.0.0.1"
|
||
port: 7860
|
||
title: "口播灵感工坊"
|
||
|
||
# 下载配置
|
||
download:
|
||
# yt-dlp 下载速率限制，0 表示不限
|
||
rate_limit: "1M"
|
||
# 下载重试次数
|
||
retries: 3
|
||
# 文件名模板
|
||
filename_template: "{platform}_{uploader}_{title:.20s}_{upload_date}.{ext}"
|