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）。
94 lines
3.6 KiB
Python
94 lines
3.6 KiB
Python
"""
|
||
lib/http.py — 统一 HTTP 入口（禁用系统代理 + 自动重试）
|
||
|
||
## 为什么需要（2026-10-04 定位的坑）
|
||
macOS 开启系统代理（如 127.0.0.1:7892）后，Python 的 `urllib.request.urlopen`
|
||
会**自动读取系统代理设置**。而系统代理对国内 API（可灵 / 百炼 / 火山）经常
|
||
时通时不通，表现为：
|
||
|
||
[SSL: UNEXPECTED_EOF_WHILE_READING] EOF occurred in violation of protocol
|
||
|
||
→ 用户看到的是「生成随机失败」「分镜生成失败」这类难以复现的问题。
|
||
|
||
实测：直连（禁代理）3/3 次 HTTP 200、0.2~0.3 秒；走代理则间歇性 SSL 错误。
|
||
|
||
## 用法
|
||
from lib.http import urlopen, request_json
|
||
|
||
req = urllib.request.Request(url, headers={...})
|
||
with urlopen(req, timeout=60) as r: # 已禁代理 + 自动重试
|
||
data = r.read()
|
||
|
||
# 或一步到位：
|
||
data = request_json(url, method="POST", body={...}, headers={...})
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import json
|
||
import time
|
||
import urllib.error
|
||
import urllib.request
|
||
from typing import Any, Optional
|
||
|
||
# 禁代理 opener（进程内复用）
|
||
_NO_PROXY_OPENER = urllib.request.build_opener(urllib.request.ProxyHandler({}))
|
||
|
||
DEFAULT_RETRIES = 3
|
||
DEFAULT_BACKOFF = 1.5 # 秒；第 n 次失败后等待 backoff * n
|
||
|
||
# 值得重试的 HTTP 状态码：
|
||
# · 429 限流（等一会儿可能就通）
|
||
# · 5xx 服务端临时故障（可灵/百炼偶尔返回 502/503）
|
||
# 不重试：其余 4xx（参数错/鉴权失败/余额不足）—— 重试只是浪费时间
|
||
_RETRYABLE_HTTP = frozenset({429, 500, 502, 503, 504})
|
||
|
||
|
||
def urlopen(req, timeout: int = 60, retries: int = DEFAULT_RETRIES):
|
||
"""禁用代理地发起请求，失败自动重试（指数退避）
|
||
|
||
返回的是可作上下文管理器使用的 response 对象。
|
||
重试覆盖：URLError / SSLError / OSError / 超时 / 连接中断。
|
||
⚠️ HTTP 4xx/5xx 不重试（那是业务错误，重试无意义）——
|
||
本函数只对**网络层异常**重试。
|
||
"""
|
||
last_exc: Optional[BaseException] = None
|
||
for attempt in range(max(1, retries)):
|
||
try:
|
||
return _NO_PROXY_OPENER.open(req, timeout=timeout)
|
||
except urllib.error.HTTPError as e:
|
||
# 5xx（服务端临时故障）与 429（限流）值得重试；
|
||
# 其余 4xx（参数错/鉴权失败/余额不足）重试无意义 → 直接抛
|
||
if e.code in _RETRYABLE_HTTP:
|
||
last_exc = e
|
||
if attempt < retries - 1:
|
||
time.sleep(DEFAULT_BACKOFF * (attempt + 1))
|
||
continue
|
||
raise
|
||
except Exception as e:
|
||
last_exc = e
|
||
if attempt < retries - 1:
|
||
time.sleep(DEFAULT_BACKOFF * (attempt + 1))
|
||
raise last_exc # type: ignore[misc]
|
||
|
||
|
||
def request_json(url: str, method: str = "GET", body: Any = None,
|
||
headers: Optional[dict] = None, timeout: int = 60,
|
||
retries: int = DEFAULT_RETRIES) -> dict:
|
||
"""发起 JSON 请求并解析响应（禁用代理 + 自动重试）
|
||
|
||
· body 非 None 时自动 JSON 序列化并加 Content-Type
|
||
· 返回值：解析后的 dict（解析失败返回 {}）
|
||
"""
|
||
hdr = dict(headers or {})
|
||
data = None
|
||
if body is not None:
|
||
data = json.dumps(body).encode("utf-8")
|
||
hdr.setdefault("Content-Type", "application/json")
|
||
req = urllib.request.Request(url, data=data, headers=hdr, method=method)
|
||
with urlopen(req, timeout=timeout, retries=retries) as r:
|
||
raw = r.read()
|
||
try:
|
||
return json.loads(raw.decode("utf-8"))
|
||
except Exception:
|
||
return {}
|