6.7 KiB
6.7 KiB
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
# 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):
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
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
$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
# 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)。
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):
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
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