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）。
123 lines
3.4 KiB
Python
123 lines
3.4 KiB
Python
"""
|
|
日志聚合模块 — 操作日志记录/查询/清理
|
|
|
|
每个操作产生一条结构化日志,存储在 cross_machine/tasks/logs/ 目录。
|
|
日志按日期分割: cross_machine/tasks/logs/2026-06-16.jsonl
|
|
"""
|
|
|
|
import json, gzip
|
|
from pathlib import Path
|
|
from datetime import datetime, timezone, timedelta
|
|
|
|
from plugins.base import CROSS_MACHINE
|
|
|
|
LOGS_DIR = CROSS_MACHINE / "tasks" / "logs"
|
|
MAX_LOG_AGE_DAYS = 30
|
|
|
|
|
|
def _today() -> str:
|
|
return datetime.now().strftime("%Y-%m-%d")
|
|
|
|
|
|
def _log_path(date: str = "") -> Path:
|
|
if not date:
|
|
date = _today()
|
|
LOGS_DIR.mkdir(parents=True, exist_ok=True)
|
|
return LOGS_DIR / f"{date}.jsonl"
|
|
|
|
|
|
def write_log(entry: dict):
|
|
"""写入一条操作日志"""
|
|
if "timestamp" not in entry:
|
|
entry["timestamp"] = datetime.now(timezone.utc).isoformat()
|
|
fp = _log_path()
|
|
with open(fp, "a", encoding="utf-8") as f:
|
|
f.write(json.dumps(entry, ensure_ascii=False) + "\n")
|
|
|
|
|
|
def query_logs(machine: str = "", op_type: str = "",
|
|
status: str = "", days: int = 7,
|
|
limit: int = 200) -> list[dict]:
|
|
"""查询操作日志,支持按机器/类型/状态/天数过滤"""
|
|
results = []
|
|
today = datetime.now()
|
|
|
|
for i in range(days):
|
|
date = (today - timedelta(days=i)).strftime("%Y-%m-%d")
|
|
fp = _log_path(date)
|
|
if not fp.exists():
|
|
continue
|
|
try:
|
|
with open(fp, "r", encoding="utf-8") as f:
|
|
for line in f:
|
|
line = line.strip()
|
|
if not line:
|
|
continue
|
|
try:
|
|
entry = json.loads(line)
|
|
except:
|
|
continue
|
|
# 过滤
|
|
if machine and entry.get("machine", "") != machine:
|
|
continue
|
|
if op_type and entry.get("type", "") != op_type:
|
|
continue
|
|
if status and entry.get("status", "") != status:
|
|
continue
|
|
results.append(entry)
|
|
if len(results) >= limit:
|
|
return results
|
|
except:
|
|
continue
|
|
|
|
return results
|
|
|
|
|
|
def get_log_stats(days: int = 7) -> dict:
|
|
"""获取日志统计"""
|
|
logs = query_logs(days=days, limit=10000)
|
|
total = len(logs)
|
|
by_type = {}
|
|
by_machine = {}
|
|
by_status = {}
|
|
|
|
for entry in logs:
|
|
t = entry.get("type", "unknown")
|
|
by_type[t] = by_type.get(t, 0) + 1
|
|
|
|
m = entry.get("machine", "unknown")
|
|
by_machine[m] = by_machine.get(m, 0) + 1
|
|
|
|
s = entry.get("status", "unknown")
|
|
by_status[s] = by_status.get(s, 0) + 1
|
|
|
|
return {
|
|
"total": total,
|
|
"by_type": by_type,
|
|
"by_machine": by_machine,
|
|
"by_status": by_status,
|
|
"days": days,
|
|
}
|
|
|
|
|
|
def cleanup_old_logs(max_days: int = MAX_LOG_AGE_DAYS) -> dict:
|
|
"""清理超过 max_days 的旧日志"""
|
|
removed = 0
|
|
today = datetime.now()
|
|
|
|
if not LOGS_DIR.exists():
|
|
return {"removed": 0}
|
|
|
|
for fp in LOGS_DIR.glob("*.jsonl"):
|
|
try:
|
|
# 从文件名提取日期
|
|
date_str = fp.stem
|
|
file_date = datetime.strptime(date_str, "%Y-%m-%d")
|
|
if (today - file_date).days > max_days:
|
|
fp.unlink()
|
|
removed += 1
|
|
except:
|
|
continue
|
|
|
|
return {"removed": removed}
|