方法论与洞察

自动化判据取结构不取文案

入档：2026-09-09 来源：给 aigc-topic-cover-factory skill 写小红书素材采集器（Playwright + 持久化登录态） 验证状态：⭐ 单案三处独立印证（登录墙误判 + 同域资源误收 + URL 参数空操作），三处全是跑真实目标才暴露的，单测无一能发现

一句话

自动化脚本判断「页面处于什么状态」「这条链接是不是我要的东西」时，认结构（DOM 元素、子域、扩展名），不要认文案字符串。文案是产品随时改的展示层，同一个状态往往有好几套说法；结构是前端组件契约，改动频率低一个量级。

更要命的是：文案判据出错时不会报错，而是静默地把垃圾当成果交出来。

三处实测

一、按文案判登录态，漏判成「已登录」

采集器要判断「登录态还在不在」。我写的判据是匹配页面上有没有「扫码登录」四个字。

实测页面写的是「手机号登录」。 结果：

logged_in? : True      ← 其实根本没登录
图片直链数 : 30        ← 全是 .js / .css / .ico，一张笔记图都没有

脚本兴高采烈地「成功」了，抓回 30 条前端静态资源。

正解：认结构——未登录时页面会盖一层 .login-container 遮罩，且 section.note-item 笔记卡片数为 0。这两个是组件契约，不随文案改。

def is_logged_in(page):
    if page.locator(".login-container").count() > 0:
        return False
    if page.locator("section.note-item, div.note-item").count() > 0:
        return True
    return True

二、同域名 ≠ 同类资源

我用正则扫 HTML 找 xhscdn.com 收图片链接。但同一个域名下混着两类完全不同的东西：

正解：两道结构判据叠加——① 读渲染后 img 元素的 currentSrc（而不是正则扫 HTML，扫 HTML 会把内联脚本里的资源链接一并捞进来）；② 按子域前缀 + 扩展名白名单过滤。

三、参数「写了」不等于「生效」（2026-09-10 追加）

采集器里有个 upgrade_url()，把直链的 imageView2/2/w/360 重写成 w/1280，我一直以为它在提分辨率。

实测：它是个彻底的空操作。 搜索列表页的直链形如

.../notes_uhdr/<id>!nc_n_webp_mw_1

尺寸由末尾 ! 后的 CDN 预设 决定，imageView2 查询参数被完全忽略——w/1280、w/1920、 把参数全删掉，返回的都是同一张 640×853。而换预设后缀（!nd_dft_wlteh_webp_3 等）一律 403： 路径里带时间 + 哈希令牌，签名和预设是绑死的。

这是本文那条律的第三处印证，而且是最隐蔽的一种：前两处是「判据看错」，这处是 「动作根本没发生，但没有任何东西报错」。参数写上去了、代码跑过了、图也下下来了， 唯一的破绽是分辨率——如果我没去核对返回图的尺寸，这个函数可以永远躺在那儿假装工作。

校验的落点不是「有没有报错」，是**「返回的东西长什么样」**。改了参数就去比对改前改后的产物， 一样就说明参数没生效。

（结论：640 宽对 960×600 输出够用——文字在 1920px 画布上矢量绘制再降采样，锐度不受影响， 背景略软反而贴「真实手机照」的调性。要原图得逐条进笔记详情页取，不划算。）

为什么文案判据必然烂

• 一个状态有多套文案：登录墙可能写「扫码登录」「手机号登录」「验证码登录」，取决于 A/B 分桶和用户历史。你只匹配到其中一种。
• 文案是产品最爱改的东西，改一次不通知任何人；类名改动通常伴随前端重构，频率低得多。
• 文案判据失败的方向是错的：匹配不到 → 判成「没有登录墙」→ 继续跑 → 交出垃圾。它默认「否」，而这里的安全默认应该是「疑罪从有」。

推论一：装完依赖立刻跑一次真实目标

这三处单测全都发现不了——我自己造的假 URL 全部「通过」，因为造数据时脑子里就是那个错误的模型。是装完 Playwright 跑了一次真实搜索页，才把 30 条垃圾链接打到脸上；分辨率那处更晚，是去核对返回图尺寸才露馅。

依赖装完不是终点，是第一次能做真实验证的起点。别装完就宣布完成。

同族参见 用错度量会给出虚假通过_v1。

推论二：留「零结果」告警，别静默成功

结构类名也会变（前端重构就会）。所以判据之外还得有一道兜底：

if not urls:
    print("! 一张笔记图都没取到。要么关键词太偏，要么登录态刚失效。", file=sys.stderr)

最危险的不是失败，是拿着垃圾数据宣称成功。 任何「本该有结果却拿到 0 条」的路径，都要吵出来。

如何使用

写任何页面自动化（采集 / 发布 / 巡检）时，先问三句：

1. 我判断状态用的是文案还是结构？是文案就换掉。
2. 我筛资源用的是域名还是子域 + 类型？同域混装是常态。
3. 零结果这条路径，我是吵出来了，还是静悄悄当成功了？
4. 我改的那个参数，核对过改前改后的产物有没有变吗？没变就是没生效。

然后：装完依赖，立刻对真实目标跑一次，看回来的东西长什么样，而不是看有没有报错。

关联文档

• 能力边界（哪些活压根不该交给自动化）：浏览器插件自动化的能力边界_v1 —— 那篇讲「能不能做」，本文讲「做的时候怎么判」
• 同族心法：用错度量会给出虚假通过_v1 —— 度量选错，全绿也没有意义
• 同族心法：约束型结论先复核律_文档写的不可能会过期_v1 —— 别拿旧结论当当下事实
• 本案出处：代码排版小红书封面工作流_v1（批量封面矩阵一节）· skill 存档 aigc-topic-cover-factory_v1.0_SKILL