账号分析技能红线强化：身份标识禁从MCP账号库回填 + 新增视频列表/账号信息获取执行避坑规则

2026-08-31 19:58:33 +08:00
1 parent 26c707c357
commit ccdd79ea40
@@ -13,7 +13,7 @@

 ### Step 1.0 账号表登记（前置）

-先检查 `达人账号表.xlsx`，输入信息中的账号若不在表中，先添加到表（账号ID自增、抖音号/抖音ID(sec_uid)/抖音地址存文本格式，其余字段留空），再继续获取数据。
+先检查 `达人账号表.xlsx`，输入信息中的账号若不在表中，先添加到表：**只占位 账号ID（自增）+ 达人昵称**；抖音号/抖音ID(sec_uid)/抖音地址等身份标识字段**留空，待浏览器抓取后回填**（浏览器抓取到的值才写，存文本格式防科学计数法），其余字段（粉丝数/解析状态/更新时间等）同样留空待补。**禁止从工作台库（`mcn-plugin.db` 的 `hot_accounts` 表 = MCP 内部账号库本地副本）/ dsh 原库 / MCP 内部账号库读取任何字段填表**——身份标识也一样，一律浏览器抓取（红线见 SKILL.md「账号信息数据源」）。再继续获取数据。

 ### 浏览器搜索抖音账号ID

@@ -89,6 +89,21 @@

 **数据提取方式：** 通过遍历页面上 `a[href*="/video/"]` 元素的 React Fiber，向上查找 `awemeInfo` 对象，获取完整的视频数据（含 stats、video、textExtra 等字段），而非仅从 DOM 文本解析。

+**提取方法优先级（2026-08-31 实测纠正）：**
+
+1. **首选：列表组件 Fiber `defaultDataList`（一次拿全，含 createTime）**——08-26 旧梦留声机 36 条、08-31 俊希 136 条均实测通过：
+   - 从 `#root` 的 `__reactContainer$` / `__reactFiber$` 键向下遍历（child/sibling 链），找 `memoizedProps.defaultDataList` 数组，每条含 `awemeId / desc / createTime / stats(diggCount 等驼峰) / textExtra`
+   - **`createTime` 只有这个来源可靠**：逐卡片 `awemeInfo` 的 createTime 在列表页可能缺失（undefined 被 JSON.stringify 省略），`defaultDataList` 是全量组件数据，136/136 含 createTime
+   - 统计字段是**驼峰式**：`stats.diggCount / commentCount / shareCount / collectCount / playCount`（不是 snake_case 的 `digg_count`）
+2. **兜底：卡片 Fiber `awemeInfo`**——逐卡片提取 `awemeInfo.video.duration`（毫秒）等 defaultDataList 可能缺的字段；两者按 awemeId 合并：defaultDataList 提供 createTime/stats，卡片提供 duration
+3. **禁止**：逐条打开 `/video/{id}` 视频页抓发布时间——15 次跳转是明显爬虫特征，且低效；正确路径是主页一次滚动 + Fiber 一次提取
+
+**访问账号主页（2026-08-31 实测纠正）：**
+
+- **必须走搜索路径**：`https://www.douyin.com/search/{账号ID}?type=user` → 搜索结果中定位用户卡片 → **模拟点击进入主页**（CDP `Input.dispatchMouseEvent` mouseMoved→mousePressed→mouseReleased，或 `click_at_xy`），**禁止直接构造 `/user/{sec_uid}` 地址跳转**
+- 搜索结果卡片链接带完整参数（如 `/user/{sec_uid}brjmRxiM9i`），直接构造缺后缀的地址会访问异常；且频繁直达地址 = 爬虫特征
+- 标签页复用：先在已有标签页上导航，不新建（见 5.5 标签页复用规则）
+
 **提取的视频字段（13列标准）：**

 | 列序 | 字段 | 说明 | 数据来源 |
@@ -0,0 +1,57 @@
+# 视频列表获取执行避坑（功能二）
+
+> 与 `浏览器搜索抖音账号操作规范.md` 配合使用；本文记录功能二（获取视频列表）执行中踩过的坑与纠正。
+
+---
+
+## 一、数据提取方法优先级（2026-08-31 纠正）
+
+### 坑 1：逐条打开视频页抓字段 = 爬虫特征 + 低效（严重）
+
+**现象**：俊希全流程测试 TC-04 时，发现列表页逐卡片 `awemeInfo` 拿不到 `createTime`（undefined 被 JSON.stringify 省略），于是改成**逐条 `goto_url("https://www.douyin.com/video/{id}")` 打开视频页**抓「发布时间」文本。结果：15 次连续跳转明显是爬虫特征，且耗时极长、方法退化。
+
+**根因**：08-26 旧梦留声机已验证的 **`defaultDataList` 方法（一次拿全含 createTime）没有固化到技能文件**，本次执行时凭记忆退化。
+
+**正确方法（实测通过）**：
+
+| 数据 | 来源 | 说明 |
+|------|------|------|
+| createTime / stats / desc | **列表组件 Fiber `defaultDataList`**（首选） | 从 `#root` 的 `__reactContainer$`/`__reactFiber$` 键沿 child/sibling 链遍历，找 `memoizedProps.defaultDataList`；136 条全含 createTime |
+| duration（毫秒） | 卡片 Fiber `awemeInfo`（兜底） | `awemeInfo.video.duration`；defaultDataList 里可能为 null，两者按 awemeId 合并 |
+| 其余统计字段 | 两来源均可 | **驼峰式**：`diggCount/commentCount/shareCount/collectCount/playCount`，非 snake_case |
+
+**执行要点**：
+1. 主页滚动加载（`.route-sc` 容器，随机节奏，≥60 条或加载不出即停）
+2. 一次 Fiber 提取全量 → 合并 → 生成 13 列 Excel（发布时间列 = `createTime` 转 `YYYY-MM-DD`）
+3. 再走 `excel_tool.py select-top6` 筛选（依赖「发布时间」列）
+
+### 坑 2：访问账号主页直接构造地址（严重）
+
+**现象**：直接 `goto_url("https://www.douyin.com/user/{sec_uid}")` 跳转主页，页面加载异常（标题缺昵称、无视频链接、无 `.route-sc` 容器）；且真实链接带完整参数后缀（如 `...brjmRxiM9i`），构造缺后缀地址访问异常。
+
+**正确方法**：
+1. 先 `goto_url("https://www.douyin.com/search/{账号ID}?type=user")` 走搜索页
+2. 搜索结果中**定位目标用户卡片**（用 innerText 匹配 抖音号/粉丝数 特征，如 `JJX0827`+`281.9万`）
+3. **模拟点击进入主页**：CDP `Input.dispatchMouseEvent`（mouseMoved → mousePressed → mouseReleased）或 `click_at_xy`；点击后可能新开标签页（target=_blank），从 `Target.getTargets` 找新主页标签页继续操作
+4. 禁止直接构造 `/user/{sec_uid}` 地址跳转
+
+---
+
+## 二、数据校验速查表
+
+| 检查项 | 标准 | 异常处理 |
+|--------|------|---------|
+| 发布时间列填充率 | 100%（defaultDataList 全含 createTime） | 若大量为空 → 检查是否用了逐卡片 awemeInfo 而非 defaultDataList |
+| 时长填充率 | 100%（卡片 awemeInfo.duration 毫秒） | 合并逻辑遗漏 → 按 awemeId 补合并 |
+| 视频条数 | ≥60 条（SKILL.md 唯一权威参数） | 滚动加载未触发 → 检查 `.route-sc` 容器定位 |
+| 统计字段 | 驼峰式（diggCount 等） | 若全 0 → 检查字段名是否误用 snake_case |
+
+---
+
+## 三、浏览器行为准则速记
+
+- ✅ 标签页复用：已有抖音标签页直接 goto_url 导航，不 new_tab
+- ✅ 访问主页走搜索 → 模拟点击；不构造直达地址
+- ✅ 数据提取一次 Fiber 拿全；不逐条开视频页
+- ✅ 适度访问：随机停留/滚动节奏，不连续快速跳转
+- ❌ 禁止：new_tab 堆积、直达 `/user/{sec_uid}`、逐条 `/video/{id}`、无间隔连跳
@@ -0,0 +1,34 @@
+# 铁律避坑规则（功能一：获取账号信息）
+
+> 本文件记录账号信息获取（功能一）执行过程中踩过的坑和沉淀的解决方案，防止重复犯错。
+> 与「账号设定执行避坑.md」（功能三）、「账号数据分析执行避坑.md」（功能四）互为镜像，结构一致。
+
+## 一、工具/工艺类
+
+| # | 问题现象 | 根因 | 解决方案 | 沉淀状态 |
+|---|---------|------|---------|---------|
+| 1 | （预留） | | | |
+
+## 二、数据质量类
+
+| # | 问题现象 | 根因 | 解决方案 | 沉淀状态 |
+|---|---------|------|---------|---------|
+| 1 | 账号表登记（TC-01）时直接用工作台库 `mcn-plugin.db` 的 `hot_accounts` 表读取 sec_uid/抖音号/地址填表，被用户指出「为什么又走到 MCP/库去了」 | ① **就近取数惯性**：模型遇到填表需求优先找现成数据（库读取成本低、看起来权威），而非走浏览器实时抓取（成本高）；② **规则覆盖缝隙**：SKILL.md L50 红线约束的是「获取达人账号信息（功能一）」抓取流程，Step 1.0 只说「存文本格式」未规定**身份标识（sec_uid/抖音号/地址）的数据来源**，登记占位阶段钻了空子；③ **同源性未识别**：`hot_accounts` 表 = MCP 内部账号库（`list_hot_accounts`/`hot_account_detail`）的本地副本，绕道读 db 拿到的是同一份内部账号库数据，形式上"没碰 MCP"实际同源违规；④ 前置检查（P4 MCP 可用性）在 TC-01 阶段就调 MCP 工具（auth_status），加剧用户观感 | ① **登记只占位 账号ID+达人昵称**，身份标识一律留空待浏览器抓取后回填；② 红线明确「禁止从任何数据库读取账号字段回填账号表（含身份标识）」，`hot_accounts` 表 = 内部账号库本地副本，读其数据等同违反红线（已固化 SKILL.md「账号信息数据源」红线 + feature/01 Step 1.0）；③ 库仅用于**流程状态参考**（判断是否已解析/产出），不是账号数据来源；④ MCP 工具调用严格限定在 TC-05 视频解析环节，前置检查只确认可用性，TC-01 登记阶段不调用 MCP 工具 | 已沉淀为本规则（2026-08-31 强化） |
+
+## 三、流程/规范类
+
+| # | 问题现象 | 根因 | 解决方案 | 沉淀状态 |
+|---|---------|------|---------|---------|
+| 1 | 账号数据来源规则分散在 SKILL.md/feature/浏览器规范多处，无统一避坑记录 | 功能一/二无独立避坑文件 | 新建本文件（功能一避坑），与功能三/四避坑文件并列；数据来源红线唯一权威定义在 SKILL.md，本文件只记录案例与根因 | 已沉淀为本规则 |
+
+---
+
+## 快速参考：数据来源红线速查
+
+> 权威定义：SKILL.md「账号信息数据源（红线）」；执行流程：`references/feature/01_获取账号信息.md` Step 1.0。
+
+| 数据 | 允许来源 | 禁止来源 |
+|------|---------|---------|
+| 账号身份标识（抖音号/sec_uid/抖音地址） | **浏览器抓取**（browser-harness 访问抖音主页） | 工作台库 `mcn-plugin.db`（hot_accounts 表 = MCP 内部账号库本地副本）、dsh 原库、MCP `list_hot_accounts`/`hot_account_detail` |
+| 账号统计数据（粉丝/获赞/关注/作品/IP/简介） | **浏览器抓取**（网页实时值） | 同上（MCP 兜底仅限浏览器无法访问时，须注明来源） |
+| 流程状态参考（是否已解析/已生成） | 工作台库/dsh 库**只读参考** | ——（只用于判断，不回填账号表） |