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）。
83 lines
3.1 KiB
Python
83 lines
3.1 KiB
Python
"""routes/ave_docs.py — 📚 API 文档中心
|
|
|
|
把本地存档的各平台官方 API 文档（`09_ave/docs/api/`）暴露给看板：
|
|
· GET /api/ave/docs/index 文档索引（各平台 + 页面清单）
|
|
· GET /api/ave/docs/page?file=raw/... 读取单个文档正文（Markdown）
|
|
· GET /api/ave/docs/refresh 触发重新抓取（后台线程，只读网络）
|
|
|
|
数据来源：`09_ave/docs/api/index.json`（由 scripts/tools/fetch_api_docs.py 生成）
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
import json
|
|
import logging
|
|
import os
|
|
import subprocess
|
|
import sys
|
|
import threading
|
|
from pathlib import Path
|
|
|
|
from fastapi import APIRouter, HTTPException
|
|
|
|
log = logging.getLogger("dashboard.ave_docs")
|
|
|
|
router = APIRouter(prefix="/api/ave/docs", tags=["ave-docs"])
|
|
|
|
# 与其它 ave 路由一致的路径解析方式（支持 AGENT_SYNC 覆盖）
|
|
_AGENT_SYNC = Path(os.environ.get("AGENT_SYNC",
|
|
str(Path(__file__).resolve().parents[3])))
|
|
AVE_ROOT = _AGENT_SYNC / "05_tools" / "09_ave"
|
|
DOCS_DIR = AVE_ROOT / "docs" / "api"
|
|
INDEX = DOCS_DIR / "index.json"
|
|
PY = os.environ.get("AGENTOS_PYTHON") or sys.executable
|
|
|
|
|
|
def _load_index() -> dict:
|
|
if not INDEX.exists():
|
|
return {"generated_at": None, "sources": [], "hint": "尚未抓取，点「🔄 更新文档」"}
|
|
try:
|
|
return json.loads(INDEX.read_text(encoding="utf-8"))
|
|
except Exception as e:
|
|
raise HTTPException(500, detail=f"索引读取失败: {e}")
|
|
|
|
|
|
@router.get("/index")
|
|
def api_docs_index():
|
|
"""文档索引：各平台 + 页面清单（含本地文件路径 / 原文 URL）。"""
|
|
d = _load_index()
|
|
d["docs_dir"] = str(DOCS_DIR)
|
|
d["has_local"] = any((p.get("file") for s in d.get("sources", []) for p in s.get("pages", [])))
|
|
return d
|
|
|
|
|
|
@router.get("/page")
|
|
def api_docs_page(file: str):
|
|
"""读取单个文档正文（限制在 docs/api 目录内，防目录穿越）。"""
|
|
p = (DOCS_DIR / file).resolve()
|
|
base = DOCS_DIR.resolve()
|
|
if not str(p).startswith(str(base)):
|
|
raise HTTPException(400, detail="非法路径")
|
|
if not p.exists() or not p.is_file():
|
|
raise HTTPException(404, detail=f"文档不存在: {file}")
|
|
return {"file": file, "bytes": p.stat().st_size,
|
|
"content": p.read_text(encoding="utf-8", errors="ignore")}
|
|
|
|
|
|
@router.post("/refresh")
|
|
def api_docs_refresh(force: bool = False):
|
|
"""触发重新抓取（后台线程）。force=true 时全量重抓。"""
|
|
script = AVE_ROOT / "scripts" / "tools" / "fetch_api_docs.py"
|
|
if not script.exists():
|
|
raise HTTPException(500, detail=f"抓取脚本不存在: {script}")
|
|
|
|
def _run():
|
|
try:
|
|
cmd = [PY, str(script)] + (["--force"] if force else [])
|
|
r = subprocess.run(cmd, capture_output=True, text=True, timeout=900)
|
|
log.info("文档抓取完成 rc=%s\n%s", r.returncode, (r.stdout or "")[-800:])
|
|
except Exception as e:
|
|
log.warning("文档抓取失败: %s", e)
|
|
|
|
threading.Thread(target=_run, daemon=True).start()
|
|
return {"status": "ok", "note": "抓取已在后台开始（完成刷新页面即可看到）"}
|