yeyinly/tvboxzt
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
Files
b2bba86c906c4e17cde5b6fa2d3a2671cd7d2b2a
tvboxzt/py/docs/superpowers/specs/2026-04-18-youknow-spider-design.md
T

8.0 KiB
Raw Blame History

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
Reference in New Issue View Git Blame Copy Permalink