docs: 完整操作流程(workflow.md)与打包示例

新增 docs/workflow.md:新吧备份、增量、ZIM 构建、Kiwix 发布、常见坑;examples/ 收录 adnmb 与小说打包脚本。
This commit is contained in:
dsh committed 2026-11-21 15:06:34 +08:00
1 parent a66bbdf261
commit 53f4d00d2e
3 files changed
+323

No files matched your search

+4
View File
@@ -136,6 +136,10 @@ data/
└─ export/
```
## 完整流程
从零备份一个吧 → 入库补图 → 构建 ZIM → 发布到 Kiwix → 增量更新,见 [docs/workflow.md](docs/workflow.md)。
## 表情
渲染机制、已知缺失(`image_emoticon51–59`)和抢救记录见 [docs/emoji.md](docs/emoji.md)。
+156
View File
@@ -0,0 +1,156 @@
# 操作流程(存档用)
从零备份一个贴吧、打包成 ZIM、发布到 Kiwix 的完整流程。按顺序照抄即可。
约定:
- 本地工具目录:`C:\Users\peng0\DSH\tieba-archiver`
- 本地 Python:用归档自带的 venv(已装 aiotieba / requests / libzim),
下文记作 `$py`:
`C:\Users\peng0\DSH\东方年代记吧_全量备份_2011-2026\.venv\Scripts\python.exe`
- 服务器:`peng@erin`,工具在 `/home/peng/tieba/tieba-archiver`,
venv 在 `/home/peng/tieba/venv`(已装 libzim、requests、aiotieba)
- Kiwix(podman 容器):ZIM 放 `/home/peng/containers/kiwix/`,
服务 `systemctl --user restart kiwix`,端口 **8095**
---
## 1. 新建一个吧的备份
```powershell
# 1) 建目录、放 cookie
mkdir C:\Users\peng0\DSH\某某吧_备份\data
copy C:\Users\peng0\DSH\东方年代记吧_全量备份_2011-2026\data\cookies.txt C:\Users\peng0\DSH\某某吧_备份\data\
# 2) 初始化(会自动解析 fid)
& $py tieba.py init --data C:\Users\peng0\DSH\某某吧_备份\data --kw 某某
# 3) 枚举主题列表(--pages 3 可以先试水)
& $py tieba.py enum --data C:\Users\peng0\DSH\某某吧_备份\data
# 4) 抓楼层(后台跑,rate 1.3~1.5)
& $py tieba.py crawl --data C:\Users\peng0\DSH\某某吧_备份\data --rate 1.5
```
**建议直接在 erin 上抓**(网络快、数据不用回传):
```bash
mkdir -p /home/peng/某某吧/data
scp data/cookies.txt peng@erin:/home/peng/某某吧/data/
cd /home/peng/tieba/tieba-archiver
/home/peng/tieba/venv/bin/python tieba.py init --data /home/peng/某某吧/data --kw 某某
nohup /home/peng/tieba/venv/bin/python tieba.py enum --data /home/peng/某某吧/data > enum.log 2>&1 &
nohup /home/peng/tieba/venv/bin/python tieba.py crawl --data /home/peng/某某吧/data --rate 1.5 > crawl.log 2>&1 &
tail -f crawl.log # 每 50 帖一行,失败数为 0 就是正常
```
## 2. 入库、补图、打标签、构建
```bash
cd /home/peng/tieba/tieba-archiver
PY=/home/peng/tieba/venv/bin/python
DATA=/home/peng/某某吧/data
$PY tieba.py import --data $DATA # raw/*.jsonl → tieba.db
$PY tieba.py fetch-emoji --data $DATA # 下载经典表情到 data/emoji/
$PY tieba.py images --data $DATA --workers 4
$PY tieba.py import-images --data $DATA
$PY tieba.py label --data $DATA --label "某某吧 全量备份" --version v1.0
$PY tieba.py stats --data $DATA --live # 注意 --live,否则看不到 WAL 里的新行
$PY tieba.py build-zim --data $DATA --out /home/peng/某某吧/某某吧.zim
```
然后发布(见第 4 节)。
## 3. 日常增量
```bash
$PY tieba.py update --data $DATA # 抓新帖、新楼层、新楼中楼(事件流)
$PY tieba.py verify --data $DATA --threads 200 --priority unhashed --rate 1.0
$PY tieba.py build-zim --data $DATA --out /home/peng/某某吧/某某吧.zim
```
- `verify` 会顺带补 `content_hash`、采样点赞;
- 删除/编辑要第二轮才确认(两次确认机制);
- 全量核对约 1 帖/秒,2011–2026 那个吧要 8–10 小时,建议夜里跑。
## 4. 发布到 Kiwix
```bash
# 文件名就是 Kiwix 里的 URL 名:/content/<文件名>/index.html
scp 某某吧.zim peng@erin:/home/peng/containers/kiwix/某某吧.zim
ssh peng@erin "systemctl --user restart kiwix"
curl -s -o /dev/null -w '%{http_code}\n' \
http://127.0.0.1:8095/content/某某吧/index.html # 期望 200
```
- 书名 = **ZIM 文件名**(不是元数据里的 Title);
- 页内 CSS 文件名带内容哈希(`style-<md5>.css`),改样式重建不会吃缓存;
- 客户端仍显示旧内容时:强刷 / 重启 Kiwix 客户端,或干脆换文件名(新 URL);
- 重启 Kiwix 会重扫整个库(含 28 GB 维基),慢是正常的。
## 5. 已有文本/帖子打包成 ZIM(Gemini、A岛那种)
流程:先把内容整理成 markdown/HTML → 用 `libzim` 写 ZIM(**必须在 WSL/Linux 里写**)。
参考脚本:`examples/adnmb_zim.py`(markdown 串 → ZIM)、`examples/novel_nyasama_zim.py`(抓取结果 → 小说 ZIM)。
```python
from libzim.writer import Creator, Item, StringProvider, Hint
class HtmlItem(Item):
def __init__(self, path, title, content):
super().__init__(); self.path, self.title, self.content = path, title, content
def get_path(self): return self.path
def get_title(self): return self.title
def get_mimetype(self): return "text/css" if self.path.endswith(".css") else "text/html"
def get_contentprovider(self): return StringProvider(self.content)
def get_hints(self): return {Hint.FRONT_ARTICLE: True}
with Creator("out.zim").config_indexing(True, "zho") as c:
c.set_mainpath("index.html")
c.add_item(HtmlItem("style.css", "样式", CSS))
c.add_item(HtmlItem("index.html", "标题", HTML))
for k, v in {"Name": "adnmb-32444047", "Title": "标题", "Language": "zho",
"Creator": "作者", "Publisher": "来源"}.items():
c.add_metadata(k, v)
```
命令行(WSL):
```powershell
wsl -e /opt/zimvenv/bin/python /mnt/c/Users/peng0/DSH/_adnmb_build.py
```
命名规则:**文件名带来源和串号/标识**,如 `adnmb-32444047.zim`、`gemini.zim`。
## 6. 已知的坑
| 坑 | 现象 | 处理 |
|---|---|---|
| Windows libzim >2 GiB | ZIM header 写成 `0xFFFF…`,打不开 | 单文件构建放 WSL/Linux;或 `--max-bytes 1.8G` 分卷 |
| WSL 写 `/mnt/c` | 构建卡在 `Adding checksum` | ZIM 写到 `/root/` 再 `cp` 到 C 盘 |
| 构建机缺 requests | `images` 直接退出 | `pip install requests` |
| `fetch-emoji` 个别 404 | 旧脚本 exit 1 中断流水线 | 已修(v1.2.0 后只警告) |
| `stats` 显示图片 0 | 开了 immutable 快照 | 加 `--live` |
| Kiwix 客户端缓存 | 改了样式/表情仍显示旧的 | CSS 版本化已解决样式;页面换文件名最稳 |
| 表情缺失 | `[孤独寂寞冷]` 文字标签 | `image_emoticon51–59` 全网无存,见 `docs/emoji.md` |
## 7. 服务器现状
| 路径 | 内容 |
|---|---|
| `/home/peng/tieba/data` | 东方年代记吧数据(15 GB,含 imgs) |
| `/home/peng/tieba/tieba-archiver` | 工具代码 |
| `/home/peng/tieba/venv` | Python 环境(libzim / requests / aiotieba) |
| `/home/peng/yeshenxue` | 东方夜神雪吧数据 + 工具副本 + ZIM |
| `/home/peng/containers/kiwix` | Kiwix 库:`touhou-nendaiki.zim`、`yeshenxue.zim`、`gemini.zim`、`adnmb-32444047.zim` |
## 8. 速查
```text
tieba.py 命令:init enum crawl update verify import images import-images
fetch-emoji label stats export build-zim as-of events restore rebuild
关键参数:--data 数据目录 --rate 限速 --threads N --priority unhashed
--out ZIM 输出 --limit 只打 N 帖 --no-images 纯文本
```
+163
View File
@@ -0,0 +1,163 @@
# -*- coding: utf-8 -*-
"""把 A岛串(提取的 markdown)打包成 ZIM,风格对齐《私立幻想学院 Gemini》那本。"""
import html
import pathlib
import re
import sys
SRC = pathlib.Path(sys.argv[1] if len(sys.argv) > 1 else "source.md")
OUT = pathlib.Path(sys.argv[2] if len(sys.argv) > 2 else "adnmb.zim")
CSS = """
:root{--bg:#f4f1ea;--card:#fffdf8;--text:#2b2622;--muted:#8a8177;--link:#8a5a2b;--border:#e6ded0}
@media (prefers-color-scheme:dark){:root{--bg:#15130f;--card:#1e1b16;--text:#e8e2d6;--muted:#9a9184;--link:#d2a679;--border:#2e2820}}
*{box-sizing:border-box}
body{margin:0;background:var(--bg);color:var(--text);
font:16px/1.95 "Songti SC","Noto Serif CJK SC",Georgia,"Microsoft YaHei",serif}
a{color:var(--link);text-decoration:none}a:hover{text-decoration:underline}
.topbar{position:sticky;top:0;background:var(--card);border-bottom:1px solid var(--border)}
.topbar .wrap{max-width:760px;margin:0 auto;padding:10px 18px;display:flex;gap:16px;align-items:baseline}
.brand{font-weight:700;color:var(--text)}
.wrap{max-width:760px;margin:0 auto;padding:22px 18px 60px}
h1{font-size:23px;line-height:1.5;margin:0 0 6px}
h2{font-size:17px;margin:30px 0 10px;color:var(--muted);font-weight:600}
.meta{color:var(--muted);font-size:13px;margin-bottom:6px}
.floor{padding:14px 0;border-top:1px solid var(--border)}
.floor:first-of-type{border-top:0}
.fh{margin-bottom:6px;font-size:13px;color:var(--muted)}
.fh .num{display:inline-block;min-width:32px;padding:1px 7px;margin-right:6px;
background:var(--card);border:1px solid var(--border);border-radius:999px;text-align:center}
.fh .au{color:var(--text);font-weight:600;margin-right:8px}
p{margin:0 0 .9em;text-indent:2em}
.quote{display:inline-block;color:var(--muted);font-size:13px;background:var(--card);
border:1px solid var(--border);border-radius:6px;padding:0 8px;margin-bottom:6px}
"""
FLOOR_RE = re.compile(r"^### (\d+)F\s*|\s*(.+?)\s*|\s*(?:「(.+?)」\s*|\s*)?(\d{4}/\d+/\d+\s+\d+:\d+)\s*|\s*No\.(\d+)")
CMT_RE = re.compile(r"^### (\S+)\s*|\s*(\d{4}/\d+/\d+\s+\d+:\d+)\s*|\s*No\.(\d+)")
def body_html(lines: list[str]) -> str:
text = "\n".join(lines).strip()
blocks = [b.strip() for b in re.split(r"\n\s*\n", text) if b.strip()]
out = []
for block in blocks:
if block.startswith("`>>No.") and block.endswith("`"):
ref = html.escape(block.strip("`"))
out.append(f'<div><span class="quote">{ref}</span></div>')
continue
block = html.escape(block)
block = re.sub(r"`(&gt;&gt;No\.\d+)`", r'<span class="quote">\1</span>', block)
out.append(f"<p>{block.replace(chr(10), '<br>')}</p>")
return "".join(out)
def main() -> None:
lines = SRC.read_text(encoding="utf-8").splitlines()
title = "A岛 小说串 No.32444047"
floors, comments = [], []
current = None
in_comments = False
for line in lines:
if line.startswith("## 评论区"):
in_comments = True
current = None
continue
m = FLOOR_RE.match(line) if not in_comments else None
if m:
current = {"kind": "floor", "floor": m.group(1), "author": m.group(2).strip(),
"tag": (m.group(3) or "").strip(), "date": m.group(4), "no": m.group(5),
"body": []}
floors.append(current)
continue
c = CMT_RE.match(line) if in_comments else None
if c:
current = {"kind": "cmt", "floor": "", "author": c.group(1), "tag": "",
"date": c.group(2), "no": c.group(3), "body": []}
comments.append(current)
continue
if current is not None and not line.startswith("#"):
current["body"].append(line)
parts = [
'<div class="card">',
"<h1>A岛 · 小说串 No.32444047</h1>",
'<div class="meta">adnmb.com | 共 %d 楼 · %d 条评论 | 2020/11/26 – 2020/11/30</div>'
% (len(floors), len(comments)),
'<div class="meta">搬运:oUcVKhv | 原作者:Das6fY5(备胎岛串 No.1767815)</div>',
"</div>",
]
for f in floors:
tag = f'「{html.escape(f["tag"])}」' if f["tag"] else ""
parts.append('<div class="floor">')
parts.append(
f'<div class="fh"><span class="num">{f["floor"]}F</span>'
f'<span class="au">{html.escape(f["author"])}</span>'
f'{tag} <span>{html.escape(f["date"])}</span> | No.{f["no"]}</div>'
)
parts.append(body_html(f["body"]))
parts.append("</div>")
if comments:
parts.append("<h2>评论区</h2>")
for c in comments:
parts.append('<div class="floor">')
parts.append(
f'<div class="fh"><span class="au">{html.escape(c["author"])}</span>'
f'<span>{html.escape(c["date"])}</span> | No.{c["no"]}</div>'
)
parts.append(body_html(c["body"]))
parts.append("</div>")
page = (
'<!doctype html><html lang="zh-CN"><head><meta charset="utf-8">'
'<meta name="viewport" content="width=device-width,initial-scale=1">'
"<title>A岛 · 小说串 No.32444047</title>"
'<link rel="stylesheet" href="style.css"></head><body>'
'<header class="topbar"><div class="wrap"><a class="brand" href="index.html">A岛 · No.32444047</a>'
'<span class="meta">adnmb.com</span></div></header>'
'<main class="wrap">' + "".join(parts) + "</main></body></html>"
)
from libzim.writer import Creator, Hint, Item, StringProvider
class HtmlItem(Item):
def __init__(self, path, title, content):
super().__init__()
self.path, self.title, self.content = path, title, content
def get_path(self):
return self.path
def get_title(self):
return self.title
def get_mimetype(self):
return "text/css" if self.path.endswith(".css") else "text/html"
def get_contentprovider(self):
return StringProvider(self.content)
def get_hints(self):
return {Hint.FRONT_ARTICLE: True}
OUT.parent.mkdir(parents=True, exist_ok=True)
with Creator(str(OUT)).config_indexing(True, "zho") as c:
c.set_mainpath("index.html")
c.add_item(HtmlItem("style.css", "样式", CSS))
c.add_item(HtmlItem("index.html", "A岛 小说串 No.32444047", page))
for k, v in {
"Name": "adnmb-32444047",
"Title": "A岛 · 小说串 No.32444047",
"Language": "zho",
"Creator": "A岛 oUcVKhv(转载)",
"Publisher": "adnmb.com",
"Date": "2020-11-30",
"Description": "%d 楼 · %d 条评论,原文串 No.32444047" % (len(floors), len(comments)),
}.items():
c.add_metadata(k, v)
print("写出", OUT, OUT.stat().st_size / 1024, "KB", "楼层", len(floors), "评论", len(comments))
print("用法: python adnmb_zim.py <提取的.md> <输出.zim>")
main()