Add dbku spider design spec

2026-04-18 11:49:24 +08:00
parent f7c8d629d9
commit 3dbcc1dbb7
1 changed files with 252 additions and 0 deletions
@@ -0,0 +1,252 @@
+# 独播库 Python 爬虫设计
+
+## 目标
+
+在当前 Python 仓库中新增一个符合 `base.spider.Spider` 接口的独播库站点爬虫，覆盖以下能力：
+
+- 分类列表
+- 详情页
+- 搜索
+- 播放解析
+
+实现基于网页 DOM 抓取，不依赖站点私有 API，不修改 `base/` 公共层。
+
+## 范围
+
+本次实现包含：
+
+- 新增独立脚本，暂定文件名为 `独播库.py`
+- 使用单一站点主域：`https://www.dbku.tv`
+- 支持列表页、搜索页、详情页和站内播放解析
+
+本次实现不包含：
+
+- 多域名自动回退
+- 网盘资源解析
+- 通用网页源抽象框架
+
+## 方案选择
+
+采用 `requests + lxml` 直接抓取网页 HTML，并吸收参考插件 `plugin_dbku` 中已经验证过的 DOM 结构与 `player_data` 解析规则。
+
+不直接把整份 JS 逐行平移到 Python，原因是：
+
+- Python 代码更容易维护
+- 更贴合当前仓库的 `Spider` 接口
+- 只保留独播库真正需要的站点规则，减少噪音
+
+## 模块边界
+
+新增脚本只在站点文件内部维护逻辑，不修改 `base/`。
+
+脚本内部职责拆分如下：
+
+- `init`
+  - 初始化主域、请求头、分类映射
+- `homeContent`
+  - 返回固定分类
+- `categoryContent`
+  - 请求分类页并解析媒体卡片
+- `searchContent`
+  - 请求搜索页并解析搜索结果
+- `detailContent`
+  - 提取影片基础信息和剧集列表
+- `playerContent`
+  - 解析剧集页中的 `player_data`，得到最终播放地址
+- 私有辅助函数
+  - URL 归一化
+  - 列表卡片解析
+  - 搜索结果解析
+  - 详情页解析
+  - `player_data` 提取与解码
+
+## Host 策略
+
+本次只实现单域：
+
+- `https://www.dbku.tv`
+
+请求失败时不做多域切换，只返回空结果或空播放地址。后续如果该站常态化换域，再补 host 回退。
+
+## 分类设计
+
+分类 ID 直接使用参考实现中的键，避免额外映射层：
+
+- `index`
+- `movie`
+- `variety`
+- `anime`
+- `hk`
+- `luju`
+
+分类 URL 映射如下：
+
+- `index -> /vodtype/2--------{pg}---.html`
+- `movie -> /vodtype/1--------{pg}---.html`
+- `variety -> /vodtype/3--------{pg}---.html`
+- `anime -> /vodtype/4--------{pg}---.html`
+- `hk -> /vodtype/20--------{pg}---.html`
+- `luju -> /vodtype/13--------{pg}---.html`
+
+首页推荐 `homeVideoContent` 维持空列表，避免额外抓站点首页。
+
+## 列表与搜索解析
+
+### 分类页
+
+分类页主要解析 `myui-vodlist__box` 卡片。
+
+每张卡片提取规则：
+
+- 链接：优先选择 `href` 含 `/voddetail/` 的链接
+- 标题：优先链接 `title`，回退到节点文本
+- 封面：优先取 `data-original`，其次 `src`
+- 描述：优先取类名含 `pic-text` 的文本，回退到卡片中首个有意义的附加文本
+
+输出字段：
+
+- `vod_id`
+  - 直接使用详情页绝对 URL
+- `vod_name`
+- `vod_pic`
+- `vod_remarks`
+
+### 搜索页
+
+搜索 URL：
+
+- `/vodsearch/-------------.html?wd=<keyword>&submit=`
+
+搜索结果优先解析 `#searchList` 容器内的卡片；若没有搜索容器或解析结果为空，则回退到普通列表卡片解析，以兼容不同模板。
+
+### 分页策略
+
+返回分页字段：
+
+- `page = 当前页`
+- `pagecount = pg + 1`，若当页无内容则为当前页
+- `limit = 实际条目数`
+- `total = 近似值`
+
+不依赖站点总数统计。
+
+## 详情页设计
+
+`detailContent` 使用 `vod_id` 请求详情页，提取：
+
+- `vod_name`
+- `vod_pic`
+- `vod_year`
+- `vod_area`
+- `vod_actor`
+- `vod_director`
+- `vod_content`
+
+播放列表只保留站内源：
+
+- `vod_play_from = "独播库"`
+
+剧集项格式：
+
+- `标题$剧集页URL`
+
+若发现多组播放列表，先按页面顺序合并同站剧集，去重后输出为单一播放源。
+
+## 播放解析设计
+
+独播库播放解析核心是剧集页中的 `player_data`。
+
+实现步骤：
+
+1. 请求剧集页
+2. 提取页面脚本中的 `player_data` JSON
+3. 读取：
+   - `url`
+   - `from`
+   - `encrypt`
+4. 按 `encrypt` 解码播放地址
+
+解码规则：
+
+- `encrypt = 0`
+  - 原样返回
+- `encrypt = 1`
+  - 执行 `unescape` 等价解码
+- `encrypt = 2`
+  - `base64` 解码后再尝试 URL 解码
+- `encrypt = 3`
+  - 按参考实现做裁剪后的 `base64` 变体解码
+
+如果解码后的 URL 仍是站内中间页而不是最终播放地址，则继续请求该页面并再次尝试提取 `player_data` 或直链，直到：
+
+- 得到最终可播放 URL
+- 无法继续解析，此时返回空 URL
+
+返回格式：
+
+- `parse = 0`
+- `playUrl = ""`
+- `url = 最终播放地址`
+- `header = {"User-Agent": "...", "Referer": "..."}`
+
+## 请求与兼容性
+
+统一请求头至少包含：
+
+- 浏览器 `User-Agent`
+- 需要时补 `Referer`
+
+本次优先采用无状态请求；如果验证时发现独播库对 cookie 敏感，再补最小 cookie 维护。
+
+## 错误处理
+
+实现遵循“失败返回空，不抛异常中断”的原则：
+
+- 页面请求失败时返回空列表或空播放 URL
+- DOM 节点缺失时字段回退为空字符串
+- `player_data` 解析失败时继续尝试回退规则
+- 最终失败则返回 `{"parse": 0, "playUrl": "", "url": ""}`
+
+日志只保留必要调试信息。
+
+## 测试设计
+
+采用测试优先方式实现，先给纯解析函数写测试，再补生产代码。
+
+测试重点：
+
+1. 分类卡片解析
+   - 断言能从 `myui-vodlist__box` 提取详情链接、标题、封面和描述
+2. 搜索结果解析
+   - 断言优先使用 `#searchList`
+   - 断言缺失时会回退到普通列表解析
+3. 详情页解析
+   - 断言影片元信息提取正确
+   - 断言剧集列表生成正确并去重
+4. `player_data` 解码
+   - 覆盖 `encrypt = 0/1/2/3`
+5. `playerContent`
+   - 断言能从剧集页解析到最终播放地址
+
+优先使用 `unittest` 和 mock，避免测试依赖真实站点网络。
+
+## 实施顺序
+
+1. 新增独播库测试文件，覆盖卡片、搜索、详情和播放器解析
+2. 新增 `独播库.py` 基本骨架与分类映射
+3. 实现分类页和搜索页抓取
+4. 实现详情页和剧集列表
+5. 实现 `player_data` 解码与高层 `playerContent`
+6. 运行测试并做最小手工验证
+
+## 风险
+
+- 页面模板可能调整
+- `player_data` 格式或 `encrypt` 规则可能变化
+- 个别剧集可能存在站内二跳或额外播放器包装
+
+对应策略：
+
+- 列表和搜索解析都保留回退路径
+- 播放解析按 `encrypt` 分类处理
+- 测试覆盖所有已知解码路径，降低回归风险