docs: add youknow spider design

2026-04-18 13:32:35 +08:00
parent b319bfc785
commit e4244590d2
1 changed files with 310 additions and 0 deletions
@@ -0,0 +1,310 @@
+# YouKnowTV 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 YouKnowTV 站点爬虫，覆盖以下能力：
+
+- 首页分类
+- 今日更新列表
+- 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 `youknow.py`
+- 使用单一站点主域：`https://www.youknow.tv`
+- 支持 `home/homeVideo/category/detail/search/player` 全链路
+
+本次实现不包含：
+
+- 多域名自动回退
+- Cloudflare 绕过
+- 通用视频网站抽象框架
+- 参考 JS 中所有非核心候选线路策略的 1:1 平移
+
+## 方案选择
+
+采用混合方案：
+
+- 首页、分类、搜索、详情使用 `requests + lxml` 直接解析 HTML
+- 播放解析吸收参考插件 `plugin_youknow` 中已经验证过的关键策略，包括：
+  - `player_aaaa` 配置提取
+  - 多层百分号/base64 解码
+  - 播放页与 iframe 页中的候选直链提取
+  - 多线路同集对齐
+
+不逐行平移参考 JS，原因是：
+
+- 当前仓库已有 Python 站点脚本风格，宜保持单文件实现
+- 参考插件包含运行时兼容分支和 UI 输出逻辑，Python 版只保留站点真正需要的解析链路
+- 先确保常见播放链路稳定，再看是否需要补特例
+
+## 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`
+  - 抓取今日更新页并解析媒体卡片
+- `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多线路剧集列表
+- `playerContent`
+  - 解析剧集页、iframe 页与候选直链，返回最终播放地址
+- 私有辅助函数
+  - URL 与紧凑 id 归一化
+  - 列表卡片解析
+  - 详情字段解析
+  - 剧集线路对齐
+  - 播放页配置提取
+  - 候选直链收集与去重
+
+## Host 与分类策略
+
+本次只实现单域：
+
+- `https://www.youknow.tv`
+
+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`
+- `drama`
+- `movie`
+- `variety`
+- `anime`
+- `short`
+- `doc`
+
+分类 URL 映射如下：
+
+- `index -> /label/new/`
+- `drama -> /show/1--------{pg}---/`
+- `movie -> /show/2--------{pg}---/`
+- `variety -> /show/3--------{pg}---/`
+- `anime -> /show/4--------{pg}---/`
+- `short -> /show/55--------{pg}---/`
+- `doc -> /show/5--------{pg}---/`
+
+其中：
+
+- `homeContent` 返回上述固定分类
+- `homeVideoContent` 请求 `/label/new/`
+
+## 列表与搜索解析
+
+### 今日更新页与分类页
+
+主要解析海报卡片，优先覆盖参考插件里正则与 DOM 两种结构：
+
+- `module-poster-item`
+- `module-card-item-poster`
+
+每张卡片提取规则：
+
+- 链接：详情页链接
+- 标题：优先 `title`，回退到 `alt` 或节点文本
+- 封面：优先 `data-original`、`data-src`，其次 `src`
+- 描述：优先 `module-item-note` 或 `module-item-text`
+
+输出字段：
+
+- `vod_id`
+  - 返回紧凑详情 id，不返回完整详情 URL
+- `vod_name`
+- `vod_pic`
+- `vod_remarks`
+
+### 搜索页
+
+搜索 URL：
+
+- `/search/-------------.html?wd=<keyword>`
+
+搜索结果与分类页复用同一套卡片解析逻辑。
+
+### 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` 使用紧凑 `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，并兼容纯文本或链接混排形式。
+
+### 多线路剧集设计
+
+YouKnowTV 的详情页可能存在多线路、多集数，且同一集在不同线路有不同播放页 URL。参考实现的关键点不是简单把所有链接平铺，而是：
+
+- 先解析每条线路的剧集链接
+- 从剧集 URL 中提取：
+  - `vodId`
+  - `sourceId`
+  - `episodeIndex`
+- 按 `episodeIndex` 对齐多条线路
+- 对同一集生成一个紧凑播放 payload，里面保存多个候选线路
+
+Python 版会保留这一思路，但对外仍然维持仓库统一约定：
+
+- `vod_play_from`
+  - 若只做单一虚拟源，可固定为 `YouKnowTV`
+- `vod_play_url`
+  - 单集项格式为 `标题$紧凑播放id`
+
+紧凑播放 id 将采用站点内部可逆的序列化形式，用于在 `playerContent` 中恢复该集的候选线路列表，而不是直接暴露完整播放页 URL。
+
+## 播放解析设计
+
+YouKnowTV 的播放解析不是单层页面直链，而是候选直链收集问题。核心来源包括：
+
+1. 播放页脚本中的 `player_aaaa`
+2. 播放页 HTML 中直接出现的 `m3u8/mp4/flv`
+3. 播放页中 iframe 的 `src`
+4. iframe 页中再次出现的 `player_aaaa` 或直链
+
+### 解码策略
+
+参考实现中关键解码规则如下，Python 版保留：
+
+- `encrypt = 0`
+  - 原样处理
+- `encrypt = 1`
+  - 百分号解码
+- `encrypt = 2`
+  - 多层候选解码：
+    - 原值
+    - 百分号解码 1-2 层
+    - base64 解码
+    - base64 后再做 1-3 层百分号解码
+  - 从这些候选里优先选直接可播 URL
+
+### 候选直链判定
+
+可播直链至少满足以下之一：
+
+- `http://` 或 `https://`
+- 协议相对 `//`
+- 包含 `.m3u8`
+- 包含 `.mp4`
+- 包含 `.flv`
+
+### 播放流程
+
+`playerContent` 实现步骤：
+
+1. 将紧凑播放 id 还原为候选播放页 URL 列表
+2. 按顺序请求每个候选播放页
+3. 收集播放页中的候选直链
+4. 若页面包含 iframe，再请求 iframe 页补充候选直链
+5. 将候选直链去重
+6. 选择第一个最终可播 URL 返回
+
+返回格式：
+
+- `parse = 0`
+- `playUrl = ""`
+- `url = 最终播放地址`
+- `header = {"User-Agent": "...", "Referer": "..."}`
+
+若所有候选线路都失败，则返回空播放结构。
+
+## 请求与兼容性
+
+统一请求头至少包含：
+
+- 浏览器 `User-Agent`
+- `Referer`
+- `Accept-Language`
+
+YouKnowTV 可能出现 challenge 页面。Python 版不负责绕过 challenge，但会识别明显 challenge 标志并优雅返回空结果，避免把错误页当成正文继续解析。
+
+## 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
+- 候选播放页解析失败时继续尝试下一个候选
+- 最终失败则返回 `{"parse": 0, "playUrl": "", "url": ""}`
+
+日志只保留必要调试信息，重点是播放候选恢复和直链提取链路。
+
+## 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
+   - 断言能解析紧凑 `vod_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` 组装结果正确
+3. 搜索解析
+   - 断言搜索结果复用卡片解析
+4. 详情解析
+   - 断言基础字段提取正确
+   - 断言多线路剧集会被对齐成紧凑播放 id
+5. 播放解析
+   - 断言能提取 `player_aaaa`
+   - 断言 `encrypt=1/2` 解码行为正确
+   - 断言能从播放页与 iframe 页提取候选直链
+   - 断言候选失败时继续尝试下一条
+
+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_youknow.py`，先覆盖首页/分类/搜索/详情/播放器核心解析
+2. 新增 `youknow.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、多线路对齐与紧凑播放 payload
+5. 实现播放页与 iframe 页的候选直链解析
+6. 运行测试并补必要的解码与容错逻辑