浏览器自动化

记录 chapter.browser raw

给 agent 用的无头 Chrome，命令行驱动，按无障碍树取元素引用。

什么时候用

页面靠 JS 渲染、或者有风控壳的时候。curl 拿到的常常是挑战页，不是内容。

一条纪律

能力越强越要说清做了什么：开了哪页、点了哪个、拿到了什么。别只说"查到了"。

常见拦截与对策

收尾

用完关 session，别留给下一个人一个占着页面的浏览器。

OCR

记录 chapter.ocr raw

本机有 tesseract（中英语言包齐）+ magick。用来读图片里的表。

流程

裁到区块 → 放大 250–600% → 转灰度 → --psm 6。

整图直接 OCR 基本没用，必须裁。裁完先看能不能读通，读不通就换裁法。

已知边界

• 图标化的字段（厚度、版型）取不到文字，只能记"以图标表示"。
• 密集表格里的数字列不稳，一位数经常认错，必须标注"OCR 结果，建议复核"。
• 没有视觉能力时，回读渲染出来的图是唯一自检手段：把成品图再 OCR 一遍，看文字有没有变豆腐块、有没有互相压住。

出处要留

OCR 出来的每个字都要能指回原图。指不回的，就是猜。

电商参数

记录 chapter.jd raw

能走通的路

1. 分享短链只回主页，必须用浏览器打开才会跳转出真实商品 URL 和 SKU。
2. 有了 SKU 走详情接口 /desc/<sku>，返回 JSONP，里面是图文详情 HTML；图片是 CSS 背景图，不是 <img>，按 url() 提取。
3. 参数表锁登录后，DOM 里标题在、内容是空的，点了也不加载 —— 参数只能从详情图 OCR。

走不通的路（都试过）

PC 商品页（一律 302 到频控页，带 cookie 也不行）、搜索接口（JS 壳）、价格接口（直接断连）、无签名 API（no access）、移动端参数接口（404）。

补参数只剩这些

• 什么值得买的商品百科有规格表（面料、版型、领型等）。
• 中关村在线常转述官方文案，页面是 GBK，要 gb18030 解码。
• 导购站一律不登防水、克重这种硬指标，只有检测报告里有，而页面只放封面照 —— 要数值只能拿报告编号找客服。

价格

导购站能查到历史价和"多少天新低"。这是最有用的部分：判断当前是不是好价，比读参数管用。