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）。
129 lines
3.7 KiB
Python
129 lines
3.7 KiB
Python
"""
|
|
状态归零模块 — 操作执行前的准备和清理
|
|
|
|
每次操作前自动执行:
|
|
1. 杀残留浏览器进程 (camoufox)
|
|
2. 杀残留 Playwright 驱动
|
|
3. 清理临时文件
|
|
4. 检查并释放过期锁
|
|
5. 检查磁盘空间
|
|
6. 返回 ready 状态
|
|
"""
|
|
|
|
import subprocess, logging, shutil, time
|
|
from pathlib import Path
|
|
|
|
logger = logging.getLogger("dashboard.preflight")
|
|
TEMP_DIRS = ["/tmp/camoufox_*", "/tmp/playwright_*"]
|
|
|
|
|
|
def kill_processes(name: str) -> dict:
|
|
"""杀掉指定名称的进程"""
|
|
try:
|
|
r = subprocess.run(
|
|
["pkill", "-f", name],
|
|
capture_output=True, text=True, timeout=5
|
|
)
|
|
# pkill returns 0 if killed, 1 if no process found (OK either way)
|
|
return {"killed": r.returncode == 0, "output": r.stdout or r.stderr or ""}
|
|
except subprocess.TimeoutExpired:
|
|
return {"killed": False, "output": "超时"}
|
|
except FileNotFoundError:
|
|
return {"killed": False, "output": "pkill not available"}
|
|
|
|
|
|
def cleanup_temp_files() -> dict:
|
|
"""清理临时文件"""
|
|
cleaned = 0
|
|
for pattern in TEMP_DIRS:
|
|
import glob
|
|
for fp in glob.glob(pattern):
|
|
try:
|
|
shutil.rmtree(fp, ignore_errors=True)
|
|
cleaned += 1
|
|
except:
|
|
pass
|
|
return {"cleaned_dirs": cleaned}
|
|
|
|
|
|
def check_disk_space(min_gb: int = 5) -> dict:
|
|
"""检查磁盘空间"""
|
|
try:
|
|
r = subprocess.run(["df", "-h", "/"], capture_output=True, text=True, timeout=5)
|
|
lines = r.stdout.strip().split("\n")
|
|
if len(lines) >= 2:
|
|
parts = lines[1].split()
|
|
if len(parts) >= 4:
|
|
avail = parts[3]
|
|
# 转换成GB
|
|
avail_gb = 0
|
|
if avail.endswith("G"):
|
|
avail_gb = float(avail[:-1])
|
|
elif avail.endswith("M"):
|
|
avail_gb = float(avail[:-1]) / 1024
|
|
elif avail.endswith("T"):
|
|
avail_gb = float(avail[:-1]) * 1024
|
|
elif avail.endswith("K"):
|
|
avail_gb = float(avail[:-1]) / 1024 / 1024
|
|
else:
|
|
try:
|
|
avail_gb = float(avail)
|
|
except:
|
|
avail_gb = 0
|
|
return {"available_gb": avail_gb, "sufficient": avail_gb >= min_gb}
|
|
except:
|
|
pass
|
|
return {"available_gb": 0, "sufficient": False}
|
|
|
|
|
|
def check_browser_running() -> dict:
|
|
"""检查是否有浏览器正在运行"""
|
|
try:
|
|
r = subprocess.run(["pgrep", "-f", "camoufox"], capture_output=True, text=True, timeout=5)
|
|
running = r.returncode == 0
|
|
return {"running": running, "pids": r.stdout.strip() if running else ""}
|
|
except:
|
|
return {"running": False}
|
|
|
|
|
|
def run(machine: str = "") -> dict:
|
|
"""执行完整的 preflight check
|
|
|
|
Returns:
|
|
{"ready": True/False, "checks": {...}, "message": "..."}
|
|
"""
|
|
checks = {}
|
|
all_ok = True
|
|
|
|
# 1. 杀残留浏览器
|
|
c1 = kill_processes("camoufox")
|
|
checks["kill_camoufox"] = c1
|
|
time.sleep(0.5)
|
|
|
|
# 2. 杀残留驱动
|
|
c2 = kill_processes("playwright")
|
|
checks["kill_playwright"] = c2
|
|
time.sleep(0.3)
|
|
|
|
# 3. 清理临时文件
|
|
c3 = cleanup_temp_files()
|
|
checks["cleanup_temp"] = c3
|
|
|
|
# 4. 检查磁盘
|
|
c4 = check_disk_space()
|
|
checks["disk_space"] = c4
|
|
if not c4.get("sufficient", True):
|
|
all_ok = False
|
|
|
|
# 5. 检查浏览器是否还在跑
|
|
c5 = check_browser_running()
|
|
checks["browser_still_running"] = c5
|
|
if c5.get("running"):
|
|
all_ok = False
|
|
|
|
return {
|
|
"ready": all_ok,
|
|
"checks": checks,
|
|
"message": "环境就绪" if all_ok else "环境未就绪，请查看 checks 详情",
|
|
}
|