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）。
92 lines
3.1 KiB
Python
92 lines
3.1 KiB
Python
"""
|
|
plugins/crawl.py — 内容抓取插件 v1.1
|
|
抓取任务管理 / 抓取源管理 / 抓取历史 / 数据库统计
|
|
版本: 1.1.0 | 更新: 2026-07-10
|
|
"""
|
|
import json, logging
|
|
from pathlib import Path
|
|
from datetime import datetime
|
|
|
|
from plugins.base import DashboardPlugin, AGENT_SYNC, AGENT_LOCAL, HOSTNAME, MACHINE_UID
|
|
|
|
logger = logging.getLogger("dashboard.plugins.crawl")
|
|
|
|
|
|
class CrawlDashboardPlugin(DashboardPlugin):
|
|
name = "crawl"
|
|
label = "内容抓取"
|
|
icon = "📡"
|
|
version = "1.1.0"
|
|
description = "内容抓取：抓取任务 / 源管理 / 抓取历史"
|
|
order = 35
|
|
|
|
def _get_collect_stats(self):
|
|
"""从抓取数据库获取统计"""
|
|
try:
|
|
from services.scrape_db import ScrapeDB
|
|
db = ScrapeDB()
|
|
return {
|
|
"total": sum(db.count_by_platform().values()),
|
|
"today": db.count_today(),
|
|
"sources": db.sources_count(),
|
|
}
|
|
except Exception as e:
|
|
logger.warning(f"抓取数据库不可用: {e}")
|
|
return None
|
|
|
|
def _count_knowledge_items(self):
|
|
"""统计知识库中采集的内容"""
|
|
kb_dir = AGENT_SYNC / "03_knowledge"
|
|
total = 0
|
|
today = 0
|
|
today_str = datetime.now().strftime("%Y-%m-%d")
|
|
for category in ["10_concepts", "20_methods", "40_references", "50_resources"]:
|
|
cat_dir = kb_dir / category
|
|
if cat_dir.exists():
|
|
for f in cat_dir.rglob("*.md"):
|
|
total += 1
|
|
try:
|
|
mtime = datetime.fromtimestamp(f.stat().st_mtime).strftime("%Y-%m-%d")
|
|
if mtime == today_str:
|
|
today += 1
|
|
except:
|
|
pass
|
|
return total, today
|
|
|
|
def summary(self, machines: list[str]) -> dict:
|
|
"""返回内容抓取概览（数据库统计优先）"""
|
|
db_stats = self._get_collect_stats()
|
|
if db_stats:
|
|
return {
|
|
"总抓取数": db_stats["total"],
|
|
"今日新增": db_stats["today"],
|
|
"抓取源": db_stats["sources"],
|
|
}
|
|
# 兜底：知识库统计
|
|
total, today = self._count_knowledge_items()
|
|
return {
|
|
"总抓取数": total,
|
|
"今日新增": today,
|
|
"抓取源": 0,
|
|
}
|
|
|
|
def detail(self, machine: str) -> dict:
|
|
"""返回指定机器的抓取详情"""
|
|
db_stats = self._get_collect_stats()
|
|
if db_stats:
|
|
return {
|
|
"machine": machine,
|
|
"total": db_stats["total"],
|
|
"today": db_stats["today"],
|
|
"sources": db_stats["sources"],
|
|
}
|
|
total, today = self._count_knowledge_items()
|
|
return {"machine": machine, "total": total, "today": today}
|
|
|
|
def actions(self) -> list[dict]:
|
|
"""返回抓取可执行操作"""
|
|
return [
|
|
{"label": "新建抓取", "action": "switchView('scrape')"},
|
|
{"label": "抓取管理", "action": "switchView('scrape')"},
|
|
]
|