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）。
116 lines
4.3 KiB
Python
116 lines
4.3 KiB
Python
"""
|
||
web_scrape.py — 通用网页抓取适配器
|
||
|
||
工具：web_crawler skill → agent-browser（Chrome DOM提取）
|
||
|
||
用途：抓取非平台特定网页内容（文章、博客、新闻等）
|
||
"""
|
||
import asyncio, json, logging
|
||
from services.adapters import ScrapeAdapter
|
||
|
||
logger = logging.getLogger("dashboard.scrape.web")
|
||
|
||
|
||
class WebScrapeAdapter(ScrapeAdapter):
|
||
platform = "web"
|
||
adapter_name = "web_scrape"
|
||
|
||
async def collect_item(self, target: str, depth: str = "light",
|
||
tool_level: int = 2) -> dict:
|
||
"""抓取单条网页内容"""
|
||
ok, data, tool = await self._try_tools(tool_level, [
|
||
("web_crawler", lambda: self._web_crawl(target)),
|
||
("agent-browser", lambda: self._browser_extract(target)),
|
||
])
|
||
if ok and data:
|
||
return self._to_schema(data)
|
||
return {"error": "所有工具均无法抓取"}
|
||
|
||
async def collect_user(self, user_id: str, limit: int = 20) -> list[dict]:
|
||
return []
|
||
|
||
async def collect_comments(self, item_id: str, limit: int = 20) -> list[dict]:
|
||
return []
|
||
|
||
async def collect_search(self, keyword: str, limit: int = 20) -> list[dict]:
|
||
return []
|
||
|
||
# ── web_crawler 调用 ──
|
||
|
||
async def _web_crawl(self, url: str):
|
||
"""通过 web_crawler skill 爬取网页"""
|
||
try:
|
||
from services.crawl_service import crawl_url
|
||
result = await crawl_url(url)
|
||
return result
|
||
except ImportError:
|
||
logger.warning(" ⚠️ web_crawler skill 未加载，尝试 Crawl4AI 直调")
|
||
return await self._crawl4ai_fallback(url)
|
||
except Exception as e:
|
||
logger.warning(f" ⚠️ web_crawler 失败: {e}")
|
||
return await self._crawl4ai_fallback(url)
|
||
|
||
async def _crawl4ai_fallback(self, url: str) -> dict:
|
||
"""通过 Crawl4AI 直接爬取"""
|
||
try:
|
||
import subprocess, json
|
||
# 使用 crawl4ai 命令行
|
||
proc = await asyncio.create_subprocess_exec(
|
||
*["python3", "-m", "crawl4ai", url, "--json"],
|
||
stdout=asyncio.subprocess.PIPE,
|
||
stderr=asyncio.subprocess.PIPE,
|
||
)
|
||
stdout, stderr = await asyncio.wait_for(proc.communicate(), timeout=30)
|
||
if stdout:
|
||
result = json.loads(stdout.decode().strip())
|
||
return result
|
||
except Exception as e:
|
||
logger.warning(f" ⚠️ Crawl4AI 降级失败: {e}")
|
||
return None
|
||
|
||
async def _browser_extract(self, url: str) -> dict:
|
||
"""通过 Chrome 浏览器提取页面内容"""
|
||
from services.adapters.browser_helpers import page_extract
|
||
selectors = ["article", "main", ".content", ".post-content", ".article-content",
|
||
"[class*='content']", "body"]
|
||
data = await page_extract(url, selectors, headless=True)
|
||
if data:
|
||
# 提取最长文本块作为正文
|
||
texts = []
|
||
for sel, items in data.items():
|
||
for t in items:
|
||
if len(t) > 100:
|
||
texts.append(t)
|
||
content = max(texts, key=len) if texts else list(data.values())[0][0] if any(data.values()) else ""
|
||
return {
|
||
"url": url,
|
||
"title": (await self._browser_title(url)).get("title", ""),
|
||
"content": content,
|
||
}
|
||
return {}
|
||
|
||
async def _browser_title(self, url: str) -> dict:
|
||
"""提取页面标题"""
|
||
from services.adapters.browser_helpers import page_evaluate
|
||
js = "() => ({title: document.title})"
|
||
return await page_evaluate(url, js, headless=True)
|
||
|
||
# ── 统一 Schema ──
|
||
|
||
def _to_schema(self, raw: dict) -> dict:
|
||
return {
|
||
"platform": "web",
|
||
"item_id": raw.get("url", ""),
|
||
"url": raw.get("url", ""),
|
||
"title": raw.get("title", ""),
|
||
"author_name": raw.get("author", raw.get("site_name", "")),
|
||
"author_id": "",
|
||
"published_at": raw.get("published_at", raw.get("date", "")),
|
||
"text_content": raw.get("content", raw.get("text", raw.get("markdown", ""))),
|
||
"tags": raw.get("tags", []),
|
||
"stats": {},
|
||
"extra": {},
|
||
"media": [],
|
||
"comments": [],
|
||
}
|