8.2 浏览器采集素材

8.2 浏览器采集素材

本节摘要：流水线的大部分环节都在本机或 API 上，唯独素材检索发生在"别人的网站"里：找参考图、找空镜、找贴图，人工做就是无休止的搜索、翻页、下载、记录来源。本节把采集包装成一个契约化技能：输入是素材需求单（用途、关键词、尺寸、数量、许可要求），输出是素材文件加来源登记表。方法上取道 video-use（browser-use 官方视频线，社区口径约 29k 星）的思路：Agent 把"找一张雨夜街景参考图"翻译成浏览器动作序列——打开站点、搜索、按尺寸筛选、下载、登记。本节同样用最大篇幅讲授权与可追溯：许可字段不明的一律不用；最后给出采集结果的自动验收与人工抽查比例。浏览器自动化的系统方法在《浏览器智能体实战》中展开，本章只取采集这一个应用面。

学习目标

• 把素材需求写成结构化的需求单，而不是一句话闲聊式描述。
• 按 video-use 思路把采集任务拆成可验收的浏览器动作序列。
• 为每个采集产物登记来源、许可与抓取时间，做到可追溯。
• 说清"许可不明一律不用"的纪律与商用标记的用途。
• 对采集结果跑自动验收并按比例人工抽查。

一、素材需求从分镜表来

采集不是漫无目的地囤图，需求从分镜表逐镜头推导：画面描述里有"雨夜霓虹街道"，参考图位就需要雨夜街景；有空镜镜头，就登记一段实拍空镜需求。人工采集的瓶颈不在找，而在"找、筛、存、记"四件事的循环：一轮搜索平均只能筛出两三张能用的，来源不记，三个月后要确认商用授权时无从查起。

采集技能在流水线中的位置

 分镜表（第 02 章） ──▶ 素材需求单 ──▶ 浏览器采集技能 ──▶ 素材 + 来源登记
                          │                                    │
                    用途/关键词/尺寸/数量                第 09 章生成时的参考图
                                                              │
                                              许可不明 ──▶ 一律弃用
​

二、video-use 思路：把检索交给浏览器 Agent

video-use 是 browser-use 项目的官方视频线（社区口径约 29k 星，以官方文档为准），核心思路是把视频制作中的素材获取环节交给浏览器智能体：任务给到自然语言描述，智能体把它翻译成浏览器动作序列——输入关键词、翻结果页、按尺寸或许可筛选、下载、保存。落到工程上，成功率的诀窍是任务拆小：不要求一次对话完成"找到九张图并整理好"，而是"一个关键词找三张、每个站点一轮、下载后立即登记"。

需要划界的是：浏览器自动化的完整方法——会话管理、选择器策略、反爬应对、失败恢复——是《浏览器智能体实战》一书的主题。本章只把它当作一个"技能实现细节"，重点放在技能的契约面：给什么、拿什么、怎样算合规。

三、采集技能的契约

输入是素材需求单，输出是素材文件加来源登记表，两者都在契约里写死：

# material_request.json —— 素材需求单（采集技能的输入）
{
  "purpose": "S03 雨夜街景空镜的构图参考",
  "keywords": ["rain street night", "neon reflection wet road"],
  "min_size": [1024, 1024],
  "count": 3,
  "license_need": "可商用，允许改编与二次创作",
  "out_dir": "assets/ref/S03"
}
​

# provenance.json —— 来源登记表（采集技能的输出清单之一）
[
  {"file": "ref_S03_rain_street_01.jpg", "source_site": "示例图库站",
   "url": "https://example.com/photos/12345", "license": "CC0",
   "commercial_ok": true, "attribution_required": false,
   "fetched_at": "2026-10-16T09:30:00", "size": [1920, 1280]}
]
​

命名规范在契约中固定：用途前缀加镜头号加描述加序号。来源登记表是采集技能的"输出清单"，与素材文件同等重要——没有登记表的素材视同不存在。

四、授权与可追溯：一条硬纪律

采集技能最容易翻车的不是找不到图，而是找到的图不能用。三条纪律：

其一，许可不明一律不用。登记表里 license 字段为空、为"不明"、或站点条款读不懂的，直接弃用，不进入 assets 目录。其二，商用与署名双标记。commercial_ok 与 attribution_required 独立于 license 字符串存在，发布侧（第 11.1 节）按这两个标记决定素材能否进商用交付、片尾是否需要署名。其三，尊重站点条款。各站点的服务条款、抓取限制与登录要求差异很大且随时变化，以各站点现行条款为准；需要登录或付费墙的内容，走官方授权渠道而不是绕过。

提示：许可核验的最终责任在人。登记表记录的是采集时的判断依据（URL、许可标注、抓取时间），便于事后复核，不等于法律结论。

五、采集结果的验收

采集技能的验收条件与其他技能同构：文件存在、非零字节、分辨率达标、登记字段齐全。

# check_assets.py —— 采集素材验收：分辨率达标且来源记录齐全
import json, os, subprocess

MIN_W, MIN_H = 1024, 1024

def probe_size(path):
    cmd = ["ffprobe", "-v", "error", "-select_streams", "v:0",
           "-show_entries", "stream=width,height", "-of", "json", path]
    info = json.loads(subprocess.run(cmd, capture_output=True, text=True).stdout)
    stream = info["streams"][0]
    return stream["width"], stream["height"]

def main(asset_dir="assets/ref", prov="build/provenance.json"):
    records = {r["file"]: r for r in json.load(open(prov, encoding="utf-8"))}
    problems = []
    names = sorted(os.listdir(asset_dir))
    for name in names:
        width, height = probe_size(os.path.join(asset_dir, name))
        if width < MIN_W or height < MIN_H:
            problems.append(f"{name}: {width}x{height} 低于 {MIN_W}x{MIN_H}")
        record = records.get(name)
        if not record or record.get("license") in ("", "不明", None):
            problems.append(f"{name}: 来源或许可记录缺失或不明确")
    for name in records:
        if name not in names:
            problems.append(f"{name}: 登记表有但文件缺失")
    print("\n".join(problems) or f"{len(names)} 个素材全部通过")
    raise SystemExit(1 if problems else 0)

if __name__ == "__main__":
    main()
​

自动验收之上保留人工抽查：每批素材按两成左右比例点开核对"图对不对题"——机器测得出尺寸，测不出"这张图根本不是雨夜"。抽查发现的语义偏差，反馈回需求单的关键词修正，形成采集质量的迭代回路。

本节要点回顾

• 素材需求从分镜表逐镜头推导，写成结构化需求单再动手。
• video-use 思路：自然语言任务拆成小步浏览器动作，成功率靠拆小。
• 采集技能输出双产物：素材文件加来源登记表，缺一即验收失败。
• 硬纪律：许可不明一律不用；商用与署名双标记供发布侧消费。
• 自动验收测尺寸与登记，人工抽查测"图对不对题"。

单个技能都能跑通了，接下来把它们连成长龙。几十个镜头乘以七八个阶段的长流水线，中途必然出错——下一节解决长任务的半途而废：状态持久化、按镜头粒度重跑、失败隔离与校验和清单。