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）。
110 lines
5.6 KiB
SQL
110 lines
5.6 KiB
SQL
-- anchor.db 数据库设计 v1.0
|
||
-- 锚点规则 + 原子操作 + 检测日志 + 校准
|
||
|
||
-- ── 1. 锚点规则表 ──
|
||
-- 每个状态由多条规则组成（同 state + logic_group = AND，不同 group = OR）
|
||
CREATE TABLE anchor_rules (
|
||
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
||
state_name TEXT NOT NULL, -- HOME / PLAYER / SEARCH / DETAIL / POPUP
|
||
field TEXT NOT NULL, -- 检测字段: video_count, title, video_playing, card_count, url, has_search_input
|
||
operator TEXT NOT NULL, -- eq / neq / gt / gte / lt / lte / contains / not_contains / regex
|
||
value TEXT NOT NULL, -- 目标值（统一存字符串）
|
||
logic_group INTEGER DEFAULT 0, -- 0=AND组, 同组内AND, 不同组OR
|
||
active INTEGER DEFAULT 1, -- 1=启用, 0=停用
|
||
created_at TEXT DEFAULT (datetime('now','localtime')),
|
||
updated_at TEXT DEFAULT (datetime('now','localtime'))
|
||
);
|
||
|
||
-- ── 2. 原子操作表 ──
|
||
-- 每个原子操作 = 一个操作标识 + 执行方式 + 验证规则
|
||
CREATE TABLE atomic_ops (
|
||
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
||
op_name TEXT NOT NULL UNIQUE, -- click_card, swipe_down, like, search, go_home, dismiss_popup
|
||
description TEXT, -- 操作描述
|
||
action_type TEXT DEFAULT 'locator', -- locator / keyboard / evaluate / mouse
|
||
target TEXT, -- CSS选择器 / 按键名 / JS代码
|
||
verify_rule TEXT, -- 验证方式: video_src_change / video_count_gt / title_change
|
||
retry_count INTEGER DEFAULT 3,
|
||
fallback_op TEXT, -- 失败时降级的操作名
|
||
created_at TEXT DEFAULT (datetime('now','localtime')),
|
||
updated_at TEXT DEFAULT (datetime('now','localtime'))
|
||
);
|
||
|
||
-- ── 3. 状态迁移表 ──
|
||
-- 定义合法的状态转换（状态机）
|
||
CREATE TABLE state_transitions (
|
||
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
||
from_state TEXT NOT NULL, -- HOME, PLAYER, SEARCH
|
||
to_state TEXT NOT NULL, -- PLAYER, SEARCH, HOME
|
||
via_op TEXT NOT NULL, -- click_card, swipe_down, search, go_home
|
||
UNIQUE(from_state, to_state, via_op)
|
||
);
|
||
|
||
-- ── 4. 检测日志表 ──
|
||
-- 每次锚点检测的记录，用于成功率追踪
|
||
CREATE TABLE detection_logs (
|
||
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
||
identity TEXT, -- douyin_01, douyin_02
|
||
expected_state TEXT, -- 操作前预期的状态
|
||
detected_state TEXT, -- 实际检测到的状态
|
||
match INTEGER, -- 1=匹配, 0=不匹配
|
||
anchor_snapshot TEXT, -- 锚点数据快照(JSON)
|
||
screenshot_path TEXT, -- 截图路径
|
||
timestamp TEXT DEFAULT (datetime('now','localtime'))
|
||
);
|
||
CREATE INDEX idx_detection_logs_match ON detection_logs(match, timestamp);
|
||
|
||
-- ── 5. 校准候选表 ──
|
||
-- AI或自动校准产生的新规则，对比验证后决定是否采纳
|
||
CREATE TABLE calibration_candidates (
|
||
id INTEGER PRIMARY KEY AUTOINCREMENT,
|
||
state_name TEXT, -- 哪个状态的规则
|
||
source TEXT, -- ai / manual / auto_recovery
|
||
old_rules TEXT, -- 旧规则JSON
|
||
new_rules TEXT, -- 建议的新规则JSON
|
||
test_count INTEGER DEFAULT 0, -- 测试次数
|
||
test_pass INTEGER DEFAULT 0, -- 测试通过次数
|
||
status TEXT DEFAULT 'pending', -- pending / accepted / rejected / testing
|
||
created_at TEXT DEFAULT (datetime('now','localtime'))
|
||
);
|
||
|
||
-- ── 初始数据：基于2026-05-06手动采集的锚点 ──
|
||
|
||
-- HOME 状态规则
|
||
INSERT INTO anchor_rules (state_name, field, operator, value, logic_group) VALUES
|
||
('HOME', 'video_count', 'eq', '1', 0),
|
||
('HOME', 'title', 'contains', '抖音精选', 0);
|
||
|
||
-- PLAYER 状态规则（全屏播放）
|
||
INSERT INTO anchor_rules (state_name, field, operator, value, logic_group) VALUES
|
||
('PLAYER', 'video_count', 'gte', '3', 0),
|
||
('PLAYER', 'video_playing', 'eq', 'true', 0);
|
||
|
||
-- SEARCH 状态规则
|
||
INSERT INTO anchor_rules (state_name, field, operator, value, logic_group) VALUES
|
||
('SEARCH', 'title', 'contains', '搜索', 0),
|
||
('SEARCH', 'title', 'not_contains', '精选', 0);
|
||
|
||
-- SEARCH_PLAYER（从搜索结果进入的播放页）
|
||
INSERT INTO anchor_rules (state_name, field, operator, value, logic_group) VALUES
|
||
('SEARCH_PLAYER', 'video_count', 'gte', '3', 0),
|
||
('SEARCH_PLAYER', 'video_playing', 'eq', 'true', 0),
|
||
('SEARCH_PLAYER', 'url', 'contains', '/search/', 0);
|
||
|
||
-- 原子操作
|
||
INSERT INTO atomic_ops (op_name, description, action_type, target, verify_rule, retry_count) VALUES
|
||
('click_card', '点击首页视频卡片', 'locator', '.discover-video-card-item', 'video_count_gte_3', 3),
|
||
('swipe_down', '下滑切换视频', 'keyboard', 'ArrowDown', 'video_src_change', 2),
|
||
('like', '点赞当前视频', 'locator', '[data-e2e="like-count"]', 'like_count_change', 1),
|
||
('search', '搜索关键词', 'evaluate', 'search_input', 'title_contains_搜索', 2),
|
||
('go_home', '回到首页', 'locator', 'https://www.douyin.com/', 'video_count_eq_1', 2),
|
||
('dismiss_popup','关闭弹窗', 'locator', 'button:text-is("我知道了")','popup_gone', 2);
|
||
|
||
-- 状态迁移
|
||
INSERT INTO state_transitions (from_state, to_state, via_op) VALUES
|
||
('HOME', 'PLAYER', 'click_card'),
|
||
('PLAYER', 'PLAYER', 'swipe_down'),
|
||
('PLAYER', 'HOME', 'go_home'),
|
||
('HOME', 'SEARCH', 'search'),
|
||
('SEARCH', 'SEARCH_PLAYER', 'click_card');
|