MediaCrawler/api/monitor/douyin_fetch.py

# -*- coding: utf-8 -*-
# Copyright (c) 2025 [email protected]
#
# This file is part of MediaCrawler project.
# Repository: https://github.com/NanmiCoder/MediaCrawler/blob/main/api/monitor/douyin_fetch.py
# GitHub: https://github.com/NanmiCoder
# Licensed under NON-COMMERCIAL LEARNING LICENSE 1.1
#
# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
# 1. 不得用于任何商业用途。
# 2. 使用时应遵守对应平台的使用条款和robots.txt规则。
# 3. 不得进行大规模爬取或对平台造成运营干扰。
# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
# 5. 不得用于任何非法或不当的用途。
#
# 详细许可条款请参阅项目根目录下的LICENSE文件。
# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。

"""抖音采集：直接走 Web 接口，不起爬虫子进程。

与 ``media_platform/douyin`` 那条路的分工：

* 那边起一个 Playwright 子进程、构造一大串**自相矛盾的浏览器指纹参数**（参数说自己是
  Mac + Chrome 125，UA 说自己是 Linux + Chrome 155），网关回一个 200 + 空 body，
  然后被翻译成 ``Exception("account blocked")`` —— 看起来像账号被封，其实什么都不是。
* 这边不起子进程、只发必要参数，用浏览器里那份登录态。见 ``douyin_api``。

采到的东西写成 ``store/douyin`` 那套 jsonl 形状，所以 **ingest 完全不知道数据是怎么来的**
—— 重采样、差分、事件、通知、报表全都照旧。
"""

import json
from datetime import datetime
from pathlib import Path
from typing import Any, Dict, Iterable, List, Sequence

from tools import utils

from . import adapters, douyin_api
from .models import MODE_CREATOR, MODE_NOTE, MonitorTask

# 拉多少条作品。接口单页上限就是 20，要多了也没用。
DEFAULT_VIDEO_LIMIT = 20


async def collect(
    out_dir: Path,
    *,
    platform: str,
    mode: str,
    limit: int,
    want_comments: bool,
    comment_limit: int,
    targets: Sequence[Any],
    known_aweme_ids: Iterable[str] = (),
    cookie: str = "",
) -> Dict[str, Any]:
    """跑一轮抖音采集，把产物写进 ``out_dir`` 下 store 那个目录里。

    参数是散的、不收 ORM 对象：调用方那边 ``task`` 在会话关掉之后就 detached 了，
    传对象进来迟早会踩到「属性已过期」。

    **不抛异常**：失败也把（可能为空的）产物落下去，并把原因放进 ``errors`` 交给调用方。
    让调用方去决定这是「一轮正常但没数据」还是「一轮失败」—— 这个判断不该藏在这里。
    """
    notes: List[Dict[str, Any]] = []
    comments: List[Dict[str, Any]] = []
    errors: List[str] = []

    # **整个 collect 只去重一次的、跨目标的集合**：退化路径会把「库里已知的全部作品」
    # 在每个目标下都刷一遍，多个目标就会出现同一件作品好几条记录 —— 而一对一快照的
    # 唯一键是 (task_id, note_id, run_id)，同一条作品在一轮里出现两次会直接撞键。
    seen_aweme: set = set()

    for target in targets:
        external_id = target.external_id

        # 两种模式的目标是不同的东西，不能走同一条路：
        #   作品模式 —— 目标本身就是作品 id，直接取详情（**这个接口没被挡，今天就能用**）。
        #   博主模式 —— 目标是主页 sec_uid，要先拉作品列表；那个接口被真校验挡着，退化到
        #               刷新库里已知的作品（新作品发现不了）。
        if mode == MODE_NOTE:
            try:
                videos = [await douyin_api.video_detail(external_id, cookie=cookie)]
            except douyin_api.DouyinApiError as exc:
                errors.append(f"拉取作品 {external_id} 失败：{exc}")
                videos = []
        else:
            videos = await _creator_works(
                external_id, limit, known_aweme_ids, seen_aweme, cookie, errors
            )

        for video in videos:
            aweme_id = video.get("aweme_id")
            if not aweme_id or aweme_id in seen_aweme:
                continue
            seen_aweme.add(aweme_id)
            notes.append(video)

            if want_comments:
                try:
                    comments.extend(
                        await douyin_api.video_comments(
                            aweme_id, count=comment_limit, cookie=cookie
                        )
                    )
                except douyin_api.DouyinApiError as exc:
                    errors.append(f"拉取作品 {aweme_id} 的评论失败：{exc}")

    jsonl_dir = _write_artifacts(out_dir, platform, mode, notes, comments)
    return {
        "notes": len(notes),
        "comments": len(comments),
        "errors": errors,
        "jsonl_dir": str(jsonl_dir),
    }


async def _creator_works(
    sec_user_id: str,
    limit: int,
    known_aweme_ids: Iterable[str],
    seen_aweme: set,
    cookie: str,
    errors: List[str],
) -> List[Dict[str, Any]]:
    """一个博主的作品：先要列表，列表被挡时退化成刷新已知作品。

    作品列表（``aweme/post``）被抖音单独加了真校验 —— 不带 ``x-tt-argus`` 回 403，
    带上 dummy 值回 200 + 空 body。所以这里拿不到**新**作品，只能保住已知的。
    """
    try:
        return await douyin_api.author_videos(sec_user_id, count=limit, cookie=cookie)
    except douyin_api.DouyinApiError as exc:
        errors.append(f"拉取博主 {sec_user_id} 的作品列表失败：{exc}")

    refreshed: List[Dict[str, Any]] = []
    for aweme_id in known_aweme_ids:
        if aweme_id in seen_aweme:
            continue
        try:
            refreshed.append(await douyin_api.video_detail(aweme_id, cookie=cookie))
        except douyin_api.DouyinApiError as detail_exc:
            errors.append(f"刷新作品 {aweme_id} 失败：{detail_exc}")
    return refreshed


def _write_artifacts(
    out_dir: Path,
    platform: str,
    mode: str,
    notes: List[Dict[str, Any]],
    comments: List[Dict[str, Any]],
) -> Path:
    """按爬虫那套目录与文件名写 jsonl。

    目录名取 ``adapters.artifact_dir``（抖音是 ``douyin``，而不是平台 id ``dy``）——
    和 ingest 找文件用的是同一个来源，两边不会走散。
    """
    jsonl_dir = out_dir / adapters.artifact_dir(platform) / "jsonl"
    jsonl_dir.mkdir(parents=True, exist_ok=True)

    kind = "creator" if mode == MODE_CREATOR else "detail"
    date = datetime.now().strftime("%Y-%m-%d")

    _write_jsonl(jsonl_dir / f"{kind}_contents_{date}.jsonl", notes)
    # 评论文件即使没有评论也建出来：ingest 靠「文件在不在」区分「这一轮没评论」和
    # 「这一轮什么都没抓到」，两种情况的含义完全不同。
    _write_jsonl(jsonl_dir / f"{kind}_comments_{date}.jsonl", comments)
    return jsonl_dir


def _write_jsonl(path: Path, records: List[Dict[str, Any]]) -> None:
    with path.open("w", encoding="utf-8") as handle:
        for record in records:
            handle.write(json.dumps(record, ensure_ascii=False) + "\n")
    utils.logger.info(f"[douyin_fetch] 写出 {len(records)} 条 -> {path.name}")