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）。
2.7 KiB
2.7 KiB
主页信息采集规则 (Collect Batch Runner)
适用于所有机器，联邦统一规则。 脚本路径:
~/workbuddy-agent-os/agent-sync/05_tools/07_matrix/scripts/collect_batch_runner.py
核心规则
1. 最大并发浏览器数: 3
同一时间最多打开 3 个 Camoufox (Firefox) 浏览器窗口。超过会卡顿。
2. 启动间隔: 15 秒 + 窗口错位
同一批次内的 3 个身份，每个间隔 15 秒启动浏览器。避免同时加载导致系统卡顿。 同时窗口 X 轴位置错开 150px，不会互相遮挡：
身份0 → 位置 (0, 30)
身份1 → 位置 (150, 30)
身份2 → 位置 (300, 30)
时间线:
0s 身份 A 启动浏览器 → 抖音 → 小红书 → 关闭
15s 身份 B 启动浏览器 → 抖音 → 小红书 → 关闭
30s 身份 C 启动浏览器 → 抖音 → 小红书 → 关闭
3. 同身份同浏览器
同一个手机号身份下的两个平台（抖音 + 小红书）使用同一个浏览器窗口。浏览器打开后先导航到抖音读取主页，再导航到小红书读取主页，最后关闭。不换浏览器。
身份(苏州胃肠小曹) → 打开 1 个浏览器:
1. 导航到 douyin.com → 读取主页信息
2. 导航到 xiaohongshu.com → 读取主页信息
3. 关闭浏览器
4. 分批执行
11 个身份分 4 批：
| 批次 | 身份数 | 预计耗时 |
|---|---|---|
| 第1批 | 3 个 | ~2 分钟 |
| 第2批 | 3 个 | ~2 分钟 |
| 第3批 | 3 个 | ~2 分钟 |
| 第4批 | 2 个 | ~1.5 分钟 |
总计约 8-10 分钟（含浏览器启动、页面加载、间隔时间）。
数据输出
| 文件 | 说明 |
|---|---|
data/homepage_info.json |
最终结果，含 collected_at 时间戳 |
data/collect_progress.json |
实时进度（供 Dashboard 轮询） |
screenshots/homepage/ |
每个身份的抖音/小红书截屏 |
判断数据新旧
homepage_info.json 顶部的 collected_at 字段记录了本次采集时间：
{
"collected_at": "2026-06-14T15:18:01",
"results": [...]
}
Dashboard 中会根据这个时间显示相对时间（"刚刚"、"3小时前"、"1天前"）， 绿色 = 刚刚采集 / 黄色 = 超过1天。
前置条件
- oMLX（如需向量库更新）：localhost:8000 运行中
- 账号已登录：Camoufox 持久化 profile 中有 session cookie
- Python 环境：matrix venv（含 chromadb、numpy、playwright）
手动执行
cd ~/workbuddy-agent-os/agent-sync/05_tools/07_matrix/scripts
# 全部采集（分批并行）
python collect_batch_runner.py
# 采集单个身份（顺序执行）
python collect_homepage_info.py --single 手机号