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）。
75 lines
3.5 KiB
SQL
75 lines
3.5 KiB
SQL
-- ============================================================
|
|
-- 口播素材系统数据库初始化
|
|
-- 使用：sqlite3 data/database.db < schema.sql
|
|
-- ============================================================
|
|
|
|
-- 开启 WAL 模式，提高并发读取
|
|
PRAGMA journal_mode = WAL;
|
|
PRAGMA foreign_keys = ON;
|
|
|
|
-- 素材元数据表
|
|
CREATE TABLE IF NOT EXISTS materials (
|
|
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
|
platform TEXT NOT NULL, -- 平台：xiaohongshu / douyin / bilibili
|
|
original_id TEXT NOT NULL, -- 平台内唯一 ID
|
|
url TEXT, -- 原始链接
|
|
title TEXT, -- 标题
|
|
description TEXT, -- 描述/正文
|
|
author TEXT, -- 作者
|
|
author_id TEXT, -- 作者 ID
|
|
cover_url TEXT, -- 封面图 URL
|
|
cover_local TEXT, -- 本地封面图路径
|
|
music_name TEXT, -- BGM 名称
|
|
tags_platform TEXT, -- 平台自带标签（逗号分隔）
|
|
duration INTEGER, -- 时长（秒）
|
|
like_count INTEGER DEFAULT 0, -- 点赞数
|
|
collect_count INTEGER DEFAULT 0, -- 收藏数
|
|
comment_count INTEGER DEFAULT 0, -- 评论数
|
|
share_count INTEGER DEFAULT 0, -- 分享数
|
|
raw_json TEXT, -- 原始 JSON 数据（完整备份）
|
|
fetched_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, -- 采集时间
|
|
analyzed INTEGER DEFAULT 0, -- 0:未分析 1:已分析 2:分析失败
|
|
download_status TEXT DEFAULT 'none', -- none / pending / downloading / done / failed
|
|
local_files TEXT, -- JSON: {"video":"path","audio":"path"}
|
|
notes TEXT -- 用户备注
|
|
);
|
|
|
|
-- 平台+ID 联合唯一索引（去重）
|
|
CREATE UNIQUE INDEX IF NOT EXISTS idx_platform_id ON materials(platform, original_id);
|
|
|
|
-- 查询常用索引
|
|
CREATE INDEX IF NOT EXISTS idx_analyzed ON materials(analyzed);
|
|
CREATE INDEX IF NOT EXISTS idx_download_status ON materials(download_status);
|
|
CREATE INDEX IF NOT EXISTS idx_platform ON materials(platform);
|
|
CREATE INDEX IF NOT EXISTS idx_fetched_at ON materials(fetched_at);
|
|
|
|
-- AI 分析结果表
|
|
CREATE TABLE IF NOT EXISTS analysis (
|
|
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
|
material_id INTEGER UNIQUE NOT NULL, -- 关联素材
|
|
tags TEXT, -- AI 标签（逗号分隔）
|
|
golden_quote TEXT, -- 可引用金句
|
|
core_idea TEXT, -- 核心立意
|
|
structure TEXT, -- 口播脚本结构
|
|
emotion TEXT, -- 整体情绪
|
|
worth_downloading TEXT, -- yes / no / maybe
|
|
download_reason TEXT, -- 下载理由
|
|
raw_model_output TEXT, -- 模型原始返回（调试）
|
|
analyzed_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
|
|
FOREIGN KEY (material_id) REFERENCES materials(id) ON DELETE CASCADE
|
|
);
|
|
|
|
-- 采集批次记录表
|
|
CREATE TABLE IF NOT EXISTS collect_batches (
|
|
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
|
platform TEXT NOT NULL,
|
|
keyword TEXT NOT NULL,
|
|
count INTEGER DEFAULT 0, -- 本次采集数量
|
|
jsonl_file TEXT, -- JSONL 文件路径
|
|
status TEXT DEFAULT 'pending', -- pending / running / done / failed
|
|
started_at TIMESTAMP,
|
|
finished_at TIMESTAMP
|
|
);
|
|
|
|
CREATE INDEX IF NOT EXISTS idx_batch_status ON collect_batches(status);
|