【已弃用】 Wland 同人专区屏蔽/筛选文章的爬虫

微软 Edge 浏览器新版本 117.0.2045.31 对 Cookies 的外部访问作了限制， 换言之，无法为 Edge 提供完整的专区筛选服务。
出于对国产浏览器的不信任，我也无从得知 QQ 浏览器、360 浏览器之流是否也有相关限制。
因此，本脚本现仅对 Google Chrome 提供可靠的爬取服务。

本仓库代码仅供学习交流用，切勿用于恶意用途。

竭泽而渔，岂不获得？而明年无鱼。

为便于后面解释，姑且放一张样图：

• 标题 Title：虚线上方的加粗文本
• 作者 Author：如图所示
• 原型 Origins：图示左下角（# 块）
  由于同一个专区存在公共原型（如图为“崩坏三”），实际筛选/屏蔽时不考虑公共原型。
• 标签 Tags：图示正底部（🏷️ 块）

输出的文件可能还有作者UID和WID两列，详见产出结果

仅当文章同时满足下列条件时，才能添加进筛选结果：

1. 所有标签、所有原型、标题均未被ignores屏蔽；
2. 标题或标签符合tags要求。（顺序从左到右）
3. 原型符合origins要求。

所谓「符合要求」，是指在目标范围内，找到一条符合限定规则之一的记录。
比如匹配标签，就是在「这些标签当中」，找到「其中一条」符合「其中一个要求」的 Tag。

就我个人的发现，一般说的 Tag 更有可能出现在标签和标题；而原型更像是描述「相关人物」。
当然，同人站点是自由的（

上述ignores tags origins均为正则表达式的集合。
您也可以直接像查百度那样，直接把关键词罗列进配置文件。往下翻就知道怎么写了。

从配置文件中删除某一环节，或者为某一环节置null，则跳过该环节（认为符合要求/未被屏蔽）。

假设你访问原神专区，浏览器地址栏显示X.com/special/GenshinImpact。
请特别注意：

• Wland 域名并非真的是X.com，需要手动替换；
  （实际上这是推特或者说 X 的域名）
• 如需要筛选“成年”以上分级，需要预先在 Chrome 浏览器里登上 Wland 账号；
  为什么非得是 Chrome？因为别的浏览器不（清楚是否）允许。

parody: GenshinImpact   # 专区
domain: X.com   # wland 域名

# 下列选项均选填，不需要可以删除，并用如下默认值代替

start_page: 1   # 1 <= 起始页 <= 最后页 <= 最大页数
end_page: 2147483648  # 会自动改为分区实际页数（但往往不可能全部爬完）
adult: False    # 是否包含“成年”以上分级
output: csv    # 筛选结果保存为 (HTML CSV MD) 何种文件。不区分大小写。

# 下列选项均允许 直接删除、留空、只填一个、填入多个 四种处理。
# 直接删除与留空效果一致：即跳过检查。

ignores: null   # 屏蔽正则（优先检查。留空示例）
tags:          # 标签、标题正则（次优先。填入多个示例）
  - '[孙行者][孙行者][孙行者]'
  # 由于中括号在 yaml 里有别的意义，不能直接起头
  # 故用单（双）引号包住表示字符串。
  - all[\u4e00-\u9fff]+
  - (原神|碧蓝档案|碧蓝航线)，启动！
origins: 芙宁娜    # 原型正则（只填一个示例）

稳定性未知。可向config.yaml粘贴如下内容：

proxy:
  https: "http://127.0.0.1:port"  # port 为你代理软件的端口号，自行百度

• 还没开始爬就报错：请先关闭所有浏览器。
• 为确保 Wland 和您账号的可持续发展，爬取过程中的网络异常会被程序自行捕获，并及时中止爬取。

如您使用了代理软件却未在配置中设置端口，不妨退出代理重试。

为了防止意外情况导致“筛了个寂寞”，运行过程会先行显示经过筛选的文章。

大致格式如下：

wid#######  title by author (uid#####)

标题title会截取前 15 个字。超出部分用...截断。

默认是wland.csv，可以用 Excel 或记事本打开。 但 CSV 不适合插入链接，因此 WID 和 UID 均会直接给出。

除CSV外，renderer.py还提供了.md和.html文件的支持。
MarkDown 更面向文档作者，HTML 则对读者更友好。二者均能通过链接跳转至对应的网页。

现在可以在配置文件中output字段指定文件格式了：

• HTML：html
• MarkDown：md
• CSV：csv