mirror of
https://github.com/fish2018/pansou.git
synced 2025-11-25 11:29:30 +08:00
624 lines
18 KiB
Go
624 lines
18 KiB
Go
package util
|
||
|
||
import (
|
||
"strings"
|
||
"time"
|
||
|
||
"github.com/PuerkitoBio/goquery"
|
||
"pansou/model"
|
||
)
|
||
|
||
// isSupportedLink 检查链接是否为支持的网盘链接
|
||
func isSupportedLink(url string) bool {
|
||
lowerURL := strings.ToLower(url)
|
||
|
||
// 检查是否为百度网盘链接
|
||
if BaiduPanPattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为天翼云盘链接
|
||
if TianyiPanPattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为UC网盘链接
|
||
if UCPanPattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为123网盘链接
|
||
if Pan123Pattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为夸克网盘链接
|
||
if QuarkPanPattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为迅雷网盘链接
|
||
if XunleiPanPattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 检查是否为115网盘链接
|
||
if Pan115Pattern.MatchString(lowerURL) {
|
||
return true
|
||
}
|
||
|
||
// 使用通用模式检查其他网盘链接
|
||
return AllPanLinksPattern.MatchString(lowerURL)
|
||
}
|
||
|
||
// normalizeBaiduPanURL 标准化百度网盘URL，确保链接格式正确并且包含密码参数
|
||
func normalizeBaiduPanURL(url string, password string) string {
|
||
// 清理URL，确保获取正确的链接部分
|
||
url = CleanBaiduPanURL(url)
|
||
|
||
// 如果URL已经包含pwd参数，不需要再添加
|
||
if strings.Contains(url, "?pwd=") {
|
||
return url
|
||
}
|
||
|
||
// 如果有提取到密码，且URL不包含pwd参数，则添加
|
||
if password != "" {
|
||
// 确保密码是4位
|
||
if len(password) > 4 {
|
||
password = password[:4]
|
||
}
|
||
return url + "?pwd=" + password
|
||
}
|
||
|
||
return url
|
||
}
|
||
|
||
// normalizeTianyiPanURL 标准化天翼云盘URL，确保链接格式正确
|
||
func normalizeTianyiPanURL(url string, password string) string {
|
||
// 清理URL，确保获取正确的链接部分
|
||
url = CleanTianyiPanURL(url)
|
||
|
||
// 天翼云盘链接通常不在URL中包含密码参数，所以这里不做处理
|
||
// 但是我们确保返回的是干净的链接
|
||
return url
|
||
}
|
||
|
||
// normalizeUCPanURL 标准化UC网盘URL，确保链接格式正确
|
||
func normalizeUCPanURL(url string, password string) string {
|
||
// 清理URL，确保获取正确的链接部分
|
||
url = CleanUCPanURL(url)
|
||
|
||
// UC网盘链接通常使用?public=1参数表示公开分享
|
||
// 确保链接格式正确，但不添加密码参数
|
||
return url
|
||
}
|
||
|
||
// normalize123PanURL 标准化123网盘URL，确保链接格式正确
|
||
func normalize123PanURL(url string, password string) string {
|
||
// 清理URL，确保获取正确的链接部分
|
||
url = Clean123PanURL(url)
|
||
|
||
// 123网盘链接通常不在URL中包含密码参数
|
||
// 但是我们确保返回的是干净的链接
|
||
return url
|
||
}
|
||
|
||
// normalize115PanURL 标准化115网盘URL，确保链接格式正确
|
||
func normalize115PanURL(url string, password string) string {
|
||
// 清理URL，确保获取正确的链接部分，只保留到password=后面4位密码
|
||
url = Clean115PanURL(url)
|
||
|
||
// 115网盘链接已经在Clean115PanURL中处理了密码部分
|
||
// 这里不需要额外添加密码参数
|
||
return url
|
||
}
|
||
|
||
// ParseSearchResults 解析搜索结果页面
|
||
func ParseSearchResults(html string, channel string) ([]model.SearchResult, string, error) {
|
||
doc, err := goquery.NewDocumentFromReader(strings.NewReader(html))
|
||
if err != nil {
|
||
return nil, "", err
|
||
}
|
||
|
||
var results []model.SearchResult
|
||
var nextPageParam string
|
||
|
||
// 查找分页链接 - 使用next而不是prev来获取下一页
|
||
// doc.Find("link[rel='next']").Each(func(i int, s *goquery.Selection) {
|
||
// href, exists := s.Attr("href")
|
||
// if exists {
|
||
// // 从href中提取before参数
|
||
// parts := strings.Split(href, "before=")
|
||
// if len(parts) > 1 {
|
||
// nextPageParam = strings.Split(parts[1], "&")[0]
|
||
// }
|
||
// }
|
||
// })
|
||
|
||
// 查找消息块
|
||
doc.Find(".tgme_widget_message_wrap").Each(func(i int, s *goquery.Selection) {
|
||
messageDiv := s.Find(".tgme_widget_message")
|
||
|
||
// 提取消息ID
|
||
dataPost, exists := messageDiv.Attr("data-post")
|
||
if !exists {
|
||
return
|
||
}
|
||
|
||
parts := strings.Split(dataPost, "/")
|
||
if len(parts) != 2 {
|
||
return
|
||
}
|
||
|
||
messageID := parts[1]
|
||
|
||
// 生成全局唯一ID
|
||
uniqueID := channel + "_" + messageID
|
||
|
||
// 提取时间
|
||
timeStr, exists := messageDiv.Find(".tgme_widget_message_date time").Attr("datetime")
|
||
if !exists {
|
||
return
|
||
}
|
||
|
||
datetime, err := time.Parse(time.RFC3339, timeStr)
|
||
if err != nil {
|
||
return
|
||
}
|
||
|
||
// 获取消息文本元素
|
||
messageTextElem := messageDiv.Find(".tgme_widget_message_text")
|
||
|
||
// 获取消息文本的HTML内容
|
||
messageHTML, _ := messageTextElem.Html()
|
||
|
||
// 获取消息的纯文本内容
|
||
messageText := messageTextElem.Text()
|
||
|
||
// 提取标题
|
||
title := extractTitle(messageHTML, messageText)
|
||
|
||
// 提取网盘链接 - 使用更精确的方法
|
||
var links []model.Link
|
||
var foundLinks = make(map[string]bool) // 用于去重
|
||
var baiduLinkPasswords = make(map[string]string) // 存储百度链接和对应的密码
|
||
var tianyiLinkPasswords = make(map[string]string) // 存储天翼链接和对应的密码
|
||
var ucLinkPasswords = make(map[string]string) // 存储UC链接和对应的密码
|
||
var pan123LinkPasswords = make(map[string]string) // 存储123网盘链接和对应的密码
|
||
var pan115LinkPasswords = make(map[string]string) // 存储115网盘链接和对应的密码
|
||
var aliyunLinkPasswords = make(map[string]string) // 存储阿里云盘链接和对应的密码
|
||
|
||
// 1. 从文本内容中提取所有网盘链接和密码
|
||
extractedLinks := ExtractNetDiskLinks(messageText)
|
||
|
||
// 2. 从a标签中提取链接
|
||
messageTextElem.Find("a").Each(func(i int, a *goquery.Selection) {
|
||
href, exists := a.Attr("href")
|
||
if !exists {
|
||
return
|
||
}
|
||
|
||
// 使用更精确的方式匹配网盘链接
|
||
if isSupportedLink(href) {
|
||
linkType := GetLinkType(href)
|
||
password := ExtractPassword(messageText, href)
|
||
|
||
// 如果是百度网盘链接，记录链接和密码的对应关系
|
||
if linkType == "baidu" {
|
||
// 提取链接的基本部分（不含密码参数）
|
||
baseURL := href
|
||
if strings.Contains(href, "?pwd=") {
|
||
baseURL = href[:strings.Index(href, "?pwd=")]
|
||
}
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
baiduLinkPasswords[baseURL] = password
|
||
}
|
||
} else if linkType == "tianyi" {
|
||
// 如果是天翼云盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanTianyiPanURL(href)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
tianyiLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := tianyiLinkPasswords[baseURL]; !exists {
|
||
tianyiLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "uc" {
|
||
// 如果是UC网盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanUCPanURL(href)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
ucLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := ucLinkPasswords[baseURL]; !exists {
|
||
ucLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "123" {
|
||
// 如果是123网盘链接，记录链接和密码的对应关系
|
||
baseURL := Clean123PanURL(href)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
pan123LinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := pan123LinkPasswords[baseURL]; !exists {
|
||
pan123LinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "115" {
|
||
// 如果是115网盘链接，记录链接和密码的对应关系
|
||
baseURL := Clean115PanURL(href)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
pan115LinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := pan115LinkPasswords[baseURL]; !exists {
|
||
pan115LinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "aliyun" {
|
||
// 如果是阿里云盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanAliyunPanURL(href)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
aliyunLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := aliyunLinkPasswords[baseURL]; !exists {
|
||
aliyunLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else {
|
||
// 非特殊处理的网盘链接直接添加
|
||
if !foundLinks[href] {
|
||
foundLinks[href] = true
|
||
links = append(links, model.Link{
|
||
Type: linkType,
|
||
URL: href,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
}
|
||
})
|
||
|
||
// 3. 处理从文本中提取的链接
|
||
for _, linkURL := range extractedLinks {
|
||
linkType := GetLinkType(linkURL)
|
||
password := ExtractPassword(messageText, linkURL)
|
||
|
||
// 如果是百度网盘链接，记录链接和密码的对应关系
|
||
if linkType == "baidu" {
|
||
// 提取链接的基本部分（不含密码参数）
|
||
baseURL := linkURL
|
||
if strings.Contains(linkURL, "?pwd=") {
|
||
baseURL = linkURL[:strings.Index(linkURL, "?pwd=")]
|
||
}
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
baiduLinkPasswords[baseURL] = password
|
||
}
|
||
} else if linkType == "tianyi" {
|
||
// 如果是天翼云盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanTianyiPanURL(linkURL)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
tianyiLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := tianyiLinkPasswords[baseURL]; !exists {
|
||
tianyiLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "uc" {
|
||
// 如果是UC网盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanUCPanURL(linkURL)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
ucLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := ucLinkPasswords[baseURL]; !exists {
|
||
ucLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "123" {
|
||
// 如果是123网盘链接，记录链接和密码的对应关系
|
||
baseURL := Clean123PanURL(linkURL)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
pan123LinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := pan123LinkPasswords[baseURL]; !exists {
|
||
pan123LinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "115" {
|
||
// 如果是115网盘链接，记录链接和密码的对应关系
|
||
baseURL := Clean115PanURL(linkURL)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
pan115LinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := pan115LinkPasswords[baseURL]; !exists {
|
||
pan115LinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else if linkType == "aliyun" {
|
||
// 如果是阿里云盘链接，记录链接和密码的对应关系
|
||
baseURL := CleanAliyunPanURL(linkURL)
|
||
|
||
// 记录密码
|
||
if password != "" {
|
||
aliyunLinkPasswords[baseURL] = password
|
||
} else {
|
||
// 即使没有密码，也添加到映射中，以便后续处理
|
||
if _, exists := aliyunLinkPasswords[baseURL]; !exists {
|
||
aliyunLinkPasswords[baseURL] = ""
|
||
}
|
||
}
|
||
} else {
|
||
// 非特殊处理的网盘链接直接添加
|
||
if !foundLinks[linkURL] {
|
||
foundLinks[linkURL] = true
|
||
links = append(links, model.Link{
|
||
Type: linkType,
|
||
URL: linkURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
}
|
||
|
||
// 4. 处理百度网盘链接，确保每个链接只有一个版本（带密码的完整版本）
|
||
for baseURL, password := range baiduLinkPasswords {
|
||
normalizedURL := normalizeBaiduPanURL(baseURL, password)
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "baidu",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 5. 处理天翼云盘链接，确保每个链接只有一个版本
|
||
for baseURL, password := range tianyiLinkPasswords {
|
||
normalizedURL := normalizeTianyiPanURL(baseURL, password)
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "tianyi",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 6. 处理UC网盘链接，确保每个链接只有一个版本
|
||
for baseURL, password := range ucLinkPasswords {
|
||
normalizedURL := normalizeUCPanURL(baseURL, password)
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "uc",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 7. 处理123网盘链接，确保每个链接只有一个版本
|
||
for baseURL, password := range pan123LinkPasswords {
|
||
normalizedURL := normalize123PanURL(baseURL, password)
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "123",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 8. 处理115网盘链接，确保每个链接只有一个版本
|
||
for baseURL, password := range pan115LinkPasswords {
|
||
normalizedURL := normalize115PanURL(baseURL, password)
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "115",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 9. 处理阿里云盘链接，确保每个链接只有一个版本
|
||
for baseURL, password := range aliyunLinkPasswords {
|
||
normalizedURL := CleanAliyunPanURL(baseURL) // 阿里云盘URL通常不包含密码参数
|
||
|
||
// 确保链接不重复
|
||
if !foundLinks[normalizedURL] {
|
||
foundLinks[normalizedURL] = true
|
||
links = append(links, model.Link{
|
||
Type: "aliyun",
|
||
URL: normalizedURL,
|
||
Password: password,
|
||
})
|
||
}
|
||
}
|
||
|
||
// 提取标签
|
||
var tags []string
|
||
messageTextElem.Find("a[href^='?q=%23']").Each(func(i int, a *goquery.Selection) {
|
||
tag := a.Text()
|
||
if strings.HasPrefix(tag, "#") {
|
||
tags = append(tags, tag[1:])
|
||
}
|
||
})
|
||
|
||
// 提取图片链接（只从消息内容区域提取，排除用户头像）
|
||
var images []string
|
||
var foundImages = make(map[string]bool) // 用于去重
|
||
|
||
// 获取消息气泡区域，排除用户头像区域
|
||
messageBubble := messageDiv.Find(".tgme_widget_message_bubble")
|
||
|
||
// 1. 从消息内容中的图片包装元素提取图片
|
||
messageBubble.Find(".tgme_widget_message_photo_wrap").Each(func(i int, photoWrap *goquery.Selection) {
|
||
// 检查style属性中的background-image
|
||
style, exists := photoWrap.Attr("style")
|
||
if exists {
|
||
imageURL := extractImageURLFromStyle(style)
|
||
if imageURL != "" && !foundImages[imageURL] {
|
||
foundImages[imageURL] = true
|
||
images = append(images, imageURL)
|
||
}
|
||
}
|
||
})
|
||
|
||
// 2. 从消息内容中的其他可能包含图片的元素提取（排除用户头像）
|
||
messageBubble.Find("img").Each(func(i int, img *goquery.Selection) {
|
||
src, exists := img.Attr("src")
|
||
if exists && src != "" && !foundImages[src] {
|
||
foundImages[src] = true
|
||
images = append(images, src)
|
||
}
|
||
})
|
||
|
||
// 只有包含链接的消息才添加到结果中
|
||
if len(links) > 0 {
|
||
results = append(results, model.SearchResult{
|
||
MessageID: messageID,
|
||
UniqueID: uniqueID,
|
||
Channel: channel,
|
||
Datetime: datetime,
|
||
Title: title,
|
||
Content: messageText,
|
||
Links: links,
|
||
Tags: tags,
|
||
Images: images,
|
||
})
|
||
}
|
||
})
|
||
|
||
return results, nextPageParam, nil
|
||
}
|
||
|
||
// extractImageURLFromStyle 从CSS样式字符串中提取background-image的URL
|
||
func extractImageURLFromStyle(style string) string {
|
||
// 查找background-image:url('...') 或 background-image:url("...")
|
||
startPattern := "background-image:url('"
|
||
endPattern := "')"
|
||
|
||
startIndex := strings.Index(style, startPattern)
|
||
if startIndex != -1 {
|
||
startIndex += len(startPattern)
|
||
endIndex := strings.Index(style[startIndex:], endPattern)
|
||
if endIndex != -1 {
|
||
return style[startIndex : startIndex+endIndex]
|
||
}
|
||
}
|
||
|
||
// 尝试双引号格式
|
||
startPattern = `background-image:url("`
|
||
endPattern = `")`
|
||
|
||
startIndex = strings.Index(style, startPattern)
|
||
if startIndex != -1 {
|
||
startIndex += len(startPattern)
|
||
endIndex := strings.Index(style[startIndex:], endPattern)
|
||
if endIndex != -1 {
|
||
return style[startIndex : startIndex+endIndex]
|
||
}
|
||
}
|
||
|
||
// 尝试无引号格式
|
||
startPattern = "background-image:url("
|
||
endPattern = ")"
|
||
|
||
startIndex = strings.Index(style, startPattern)
|
||
if startIndex != -1 {
|
||
startIndex += len(startPattern)
|
||
endIndex := strings.Index(style[startIndex:], endPattern)
|
||
if endIndex != -1 {
|
||
url := style[startIndex : startIndex+endIndex]
|
||
// 移除可能的引号
|
||
url = strings.Trim(url, "'\"")
|
||
return url
|
||
}
|
||
}
|
||
|
||
return ""
|
||
}
|
||
|
||
// extractTitle 从消息HTML和文本内容中提取标题
|
||
func extractTitle(htmlContent string, textContent string) string {
|
||
// 从HTML内容中提取标题
|
||
if brIndex := strings.Index(htmlContent, "<br"); brIndex > 0 {
|
||
// 提取<br>前的HTML内容
|
||
firstLineHTML := htmlContent[:brIndex]
|
||
|
||
// 创建一个文档来解析这个HTML片段
|
||
doc, err := goquery.NewDocumentFromReader(strings.NewReader("<div>" + firstLineHTML + "</div>"))
|
||
if err == nil {
|
||
// 获取解析后的文本
|
||
firstLine := strings.TrimSpace(doc.Text())
|
||
|
||
// 如果第一行以"名称："开头，则提取冒号后面的内容作为标题
|
||
if strings.HasPrefix(firstLine, "名称：") {
|
||
return strings.TrimSpace(firstLine[len("名称："):])
|
||
}
|
||
|
||
return firstLine
|
||
}
|
||
}
|
||
|
||
// 如果HTML解析失败，则使用纯文本内容
|
||
lines := strings.Split(textContent, "\n")
|
||
if len(lines) == 0 {
|
||
return ""
|
||
}
|
||
|
||
// 第一行通常是标题
|
||
firstLine := strings.TrimSpace(lines[0])
|
||
|
||
// 如果第一行以"名称："开头，则提取冒号后面的内容作为标题
|
||
if strings.HasPrefix(firstLine, "名称：") {
|
||
return strings.TrimSpace(firstLine[len("名称："):])
|
||
}
|
||
|
||
// 否则直接使用第一行作为标题
|
||
return firstLine
|
||
} |