fix(v2.0.1): 修复反爬误判 + Wayback 兜底未触发两个 bug

Bug 1: Wayback 兜底未触发 (search.py fetch_page) - 根因: Cloudflare JS 质询页常返回 HTTP 200 (非 403), 主抓取 result 非 None - _should_try_fallback 在 result 非 None 时直接返回 False, 跳过兜底 - 反爬检测在兜底判断之后执行, 错过兜底入口 - 修复: 反爬检测提前到兜底判断之前, anti_bot_detected=True 也触发 Wayback - Wayback 结果重新做反爬检测 (防御性) Bug 2: WAF 指纹库误判正常内容 (search.py WAF_FINGERPRINTS) - 根因: 裸公司名 (cloudflare/akamai) 和宽泛词 (captcha/challenge/dd-) 做全文匹配 - DataCamp 文章引用 cloudflare.com 文档链接 -> 误判为 cloudflare WAF - 'coding challenges' 正常内容 -> 误判为 generic 反爬 - Wayback 归档正文被误判, 兜底返回的有效内容被丢弃 - 修复: 移除裸公司名和宽泛词, 改用技术标识符 (cf-ray/incap_ses/bm_sz 等) - 通用文案用完整短语 (please complete the captcha) 替代单词 - 增加 <title> 标签精准检测 (反爬页 title 是特征文案, 误判率极低) - 新增 Anubis 反爬系统检测 (anubis_challenge/miserere) 真实测试验证 (search.metona.cn 实例): - v2.0.0: --fetch 3 全部失败 (3 ERR: cloudflare/generic, Wayback 未触发) - v2.0.1: --fetch 3 全部成功 (3 OK: 38100/93442/1945 chars, UA 轮换绕过 Cloudflare) 测试: 458 个全部通过 (新增 7 个测试覆盖修复行为)
2026-08-01 21:44:58 +08:00
parent 28ff7c0a48
commit d9a08716bc
7 changed files with 215 additions and 66 deletions
@@ -208,22 +208,67 @@ def test_fetch_page_normal_page_no_anti_bot():


 def test_fetch_page_anti_bot_triggers_wayback():
-    """被反爬拦截后也应尝试 Wayback（_should_try_fallback 防御性检查）。
+    """被反爬拦截后应尝试 Wayback 兜底（v2.0.1 修复）。

-    当前实现：主抓取成功返回反爬页内容 → result 非 None → 不触发兜底。
-    此测试记录此行为：反爬页被当作"成功抓取"返回，在 fetch_page 内部检测。
+    v2.0.0 bug：主抓取"成功"返回反爬页（HTTP 200 + Cloudflare 质询）时，
+    result 非 None 导致 _should_try_fallback 返回 False，Wayback 永不触发。
+    v2.0.1 修复：反爬检测提前到兜底判断之前，反爬阳性也触发 Wayback。
+
+    本测试 mock fetch_url 两次调用：
+      1. 主抓取 → 返回 Cloudflare 质询页
+      2. Wayback 兜底 → 返回正常归档页
    """
    cf_html = "<html><body>Just a moment... cf-ray: 123</body></html>"
+    wb_html = "<html><body><p>Archived article content.</p></body></html>"
+    cf_result = _make_result(content=cf_html, final_url="https://example.com")
+    wb_result = _make_result(content=wb_html,
+                             final_url="https://web.archive.org/web/2024/https://example.com")
    with patch("search.fetch_url",
-               return_value=_make_result(content=cf_html)):
+               side_effect=[cf_result, wb_result]) as mock_fetch:
        result = fetch_page("https://example.com", fallback_enabled=True)
-    # 反爬页被检测到，标记为 error + anti_bot_detected
+    # Wayback 兜底成功，反爬标记清除，status=ok
+    assert result["status"] == "ok"
+    assert result["anti_bot_detected"] is False
+    assert result["waf_type"] is None
+    assert result["fallback_used"] == "wayback"
+    assert "Archived article content." in result["text"]
+    # 确认 fetch_url 被调用两次：主抓取 + Wayback
+    assert mock_fetch.call_count == 2
+    # 第二次调用应该是 Wayback URL
+    assert "web.archive.org/web/2/" in mock_fetch.call_args_list[1][0][0]
+
+
+def test_fetch_page_anti_bot_wayback_also_blocked():
+    """主抓取反爬 + Wayback 也反爬/失败 → 最终返回 error。
+
+    Wayback 兜底返回 None（失败）时，保留主抓取的反爬检测结果。
+    """
+    cf_html = "<html><body>Just a moment... cf-ray: 123</body></html>"
+    cf_result = _make_result(content=cf_html, final_url="https://example.com")
+    with patch("search.fetch_url",
+               side_effect=[cf_result, RuntimeError("wayback timeout")]):
+        result = fetch_page("https://example.com", fallback_enabled=True)
+    # Wayback 失败，保留反爬 error
    assert result["status"] == "error"
    assert result["anti_bot_detected"] is True
-    # 但不会触发 Wayback（因为主抓取"成功"了，只是内容是反爬页）
+    assert result["waf_type"] == "cloudflare"
    assert result["fallback_used"] is None


+def test_fetch_page_anti_bot_fallback_disabled():
+    """--no-fallback 时反爬页直接返回 error，不尝试 Wayback。"""
+    cf_html = "<html><body>Just a moment... cf-ray: 123</body></html>"
+    with patch("search.fetch_url",
+               return_value=_make_result(content=cf_html)) as mock_fetch:
+        result = fetch_page("https://example.com", fallback_enabled=False)
+    assert result["status"] == "error"
+    assert result["anti_bot_detected"] is True
+    assert result["waf_type"] == "cloudflare"
+    assert result["fallback_used"] is None
+    # 只调用一次（主抓取），没有 Wayback
+    assert mock_fetch.call_count == 1
+
+
 def test_fetch_page_passes_referer():
    """referer 透传给 fetch_url。"""
    with patch("search.fetch_url", return_value=_make_result()) as mock_fetch: