feat: add libvio spider

2026-04-18 13:13:49 +08:00
parent b5cfd5dac1
commit b319bfc785
4 changed files with 1252 additions and 0 deletions
@@ -0,0 +1,280 @@
+# LibVIO 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 LibVIO 站点爬虫，覆盖以下能力：
+
+- 首页分类
+- 首页近期列表
+- 分类列表
+- 详情页
+- 搜索
+- 播放解析
+
+实现基于网页 DOM 抓取与播放页脚本解析，不依赖 Playwright，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 `libvio.py`
+- 使用单一站点主域：`https://libvio.site`
+- 支持首页、分类、搜索、详情和站内播放解析
+
+本次实现不包含：
+
+- 多域名自动回退
+- 网盘资源解析
+- 大规模并发探测可播线路
+- 通用资源站抽象框架
+
+## 方案选择
+
+采用混合方案：
+
+- 列表、详情、搜索使用 `requests + lxml` 直接解析 HTML
+- 播放解析吸收参考插件 `plugin_libvio` 中已验证的 `player_*` 配置、播放器 JS 和中间 API 解析逻辑
+
+不直接逐行平移参考 JS，原因是：
+
+- 当前仓库已有 Python 爬虫风格，宜保持单文件站点实现
+- 参考 JS 中包含探测候选源、并发验证等偏重逻辑，Python 版先只保留稳定主链路
+- 先满足常见播放线路的可维护实现，避免把站点特例扩散到整个仓库
+
+## 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
+- `homeVideoContent`
+  - 抓取首页最近更新列表
+- `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_*` 配置并拿到最终播放地址
+- 私有辅助函数
+  - URL 归一化
+  - 列表卡片解析
+  - 详情字段解析
+  - 播放页配置提取
+  - 播放器 JS 基址提取
+  - API 播放地址提取
+
+## Host 与分类策略
+
+本次只实现单域：
+
+- `https://libvio.site`
+
+请求失败时不做多域切换，只返回空结果或空播放地址。
+
+分类沿用参考插件配置：
+
+- `index`
+- `movie`
+- `series`
+- `anime`
+- `jpandkr`
+- `euandus`
+
+分类 URL 映射如下：
+
+- `index -> /`
+- `movie -> /type/1-{pg}.html`
+- `series -> /type/2-{pg}.html`
+- `anime -> /type/4-{pg}.html`
+- `jpandkr -> /type/15-{pg}.html`
+- `euandus -> /type/16-{pg}.html`
+
+其中：
+
+- `homeContent` 返回上述固定分类
+- `homeVideoContent` 抓取首页并提取最近更新条目
+
+## 列表与搜索解析
+
+### 首页与分类页
+
+首页和分类页主要解析 `stui-vodlist__box` 卡片。
+
+每张卡片提取规则：
+
+- 链接：选择 `href` 含详情页路径的主链接
+- 标题：优先链接 `title`，回退到节点文本
+- 封面：优先 `data-original`，其次 `src`
+- 描述：优先类名含 `pic-text` 的文本
+
+输出字段：
+
+- `vod_id`
+  - 返回紧凑数字 id，不返回完整详情 URL
+- `vod_name`
+- `vod_pic`
+- `vod_remarks`
+
+列表解析时跳过明显网盘提示项，避免把不可直播资源混进常规列表。
+
+### 搜索页
+
+搜索 URL：
+
+- `/search/-------------.html?wd=<keyword>`
+
+搜索结果优先按首页同类卡片结构解析，保持输出字段与分类页一致。
+
+### 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` 在内部组装详情页 URL 并请求页面。
+
+提取字段：
+
+- `vod_id`
+- `path`
+- `vod_name`
+- `vod_pic`
+- `vod_tag`
+- `vod_time`
+- `vod_remarks`
+- `vod_play_from`
+- `vod_play_url`
+- `type_name`
+- `vod_content`
+- `vod_year`
+- `vod_area`
+- `vod_lang`
+- `vod_director`
+- `vod_actor`
+
+不返回：
+
+- `dbid`
+- `type`
+
+详情字段优先从详情主块中按标签解析，兼容纯文本行与结构化节点两种形式。
+
+### 播放线路
+
+播放列表只保留站内可播源：
+
+- 解析 `stui-content__playlist`
+- 跳过标题或分组中明显标识为网盘、夸克、UC 的资源
+- `vod_play_from` 用 `$$$` 拼接线路名
+- `vod_play_url` 用 `$$$` 对齐对应线路剧集
+
+单个剧集项格式：
+
+- `标题$播放id`
+
+其中 `播放id` 为紧凑值，由 `playerContent` 再组装完整播放页 URL。
+
+## 播放解析设计
+
+LibVIO 播放解析核心不是详情页直链，而是播放页里的 `player_*` 配置和播放器脚本。
+
+实现步骤：
+
+1. 组装播放页 URL 并请求
+2. 提取页面脚本中的 `player_*` JSON
+3. 读取关键字段：
+   - `url`
+   - `from`
+   - `link_next`
+   - `id`
+   - `nid`
+4. 如果 `from` 属于网盘类（如 `kuake`、`uc`），直接返回空
+5. 如果 `from` 是站点特殊源（如 `ty_new1`），按固定 API 模式请求
+6. 否则请求 `/static/player/<from>.js`，提取播放器 API 基址
+7. 根据不同源拼接 API 地址，再从 API 响应中抽取最终 `m3u8/mp4`
+
+### API 响应解析
+
+优先支持以下模式：
+
+- JSON 或脚本内的 `url/urls` 字段
+- 变量赋值中的 `m3u8/mp4` 直链
+- `tweb` 之类需要二次解码的源，按参考实现做最小必要解码
+
+如果最终 URL 仍是站内中间页，则允许一层站内跳转继续解析。
+
+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`
+
+播放器 API 解析需要稳定 Referer，因此播放页与播放器 API 请求都应显式带站点 Referer。
+
+本次优先采用无状态请求；如验证发现 LibVIO 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地址
+- DOM 节点缺失时字段回退为空字符串
+- 播放配置提取失败时尝试回退到直链正则
+- 最终失败则返回 `{"parse": 0, "playUrl": "", "url": ""}`
+
+日志只保留必要调试信息，主要用于播放解析链路。
+
+## 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. 首页/分类卡片解析
+   - 断言能从 `stui-vodlist__box` 提取详情 id、标题、封面和备注
+2. 首页与分类高层流程
+   - 断言 `homeContent` 返回固定分类
+   - 断言 `homeVideoContent` 与 `categoryContent` 组装分页结果正确
+3. 搜索解析
+   - 断言能解析搜索列表并复用卡片解析
+4. 详情解析
+   - 断言基础字段提取正确
+   - 断言会过滤网盘线路
+   - 断言剧集列表输出为紧凑播放 id
+5. 播放解析
+   - 断言可从播放页提取 `player_*` 配置
+   - 断言可从播放器 JS 提取 API 基址
+   - 断言可从 API 或脚本提取最终 `m3u8/mp4`
+   - 断言特殊源与空结果路径行为正确
+
+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 `tests/test_libvio.py`，先覆盖首页/分类/搜索/详情/播放器核心解析
+2. 新增 `libvio.py` 基本骨架与分类映射
+3. 实现首页、分类和搜索列表抓取
+4. 实现详情字段和线路提取
+5. 实现播放页配置解析与播放器 API 解析
+6. 运行测试并补必要的站内跳转与特殊源兼容