tiktok-scripts/tiktok-auto/src/parse.js

/**
 * parse.js — 文本 → 数值 / 语言 / 区间的**纯函数**解析
 *
 * ## 为什么单独一个模块
 * 这三件事都是「界面上的设置真的会拦人」这一主张的证据链：
 *   · 数量门槛要先把 "1.6M" 变成 1600000 才谈得上比较；
 *   · 语言区域要靠昵称/个签里的字符构成来判；
 *   · 区间判定要能表达"不限"和"读不到"这两种不同的"没有值"。
 * 它们全部与界面无关，所以能 100% 离线自检 —— 这是整个 ID 提取里
 * **唯一一处可以用断言证明"逻辑对了"** 的部分。
 *
 * ## 关于数字缩写（真机实测）
 * TikTok 的计数一律是缩写形态，实测到的写法：
 *   "594"、"2,491"、"1.6M"、"253.9M"、"245K"、"371.7K"
 * 中文界面下会是 "1.2万" / "1.5亿"。所以后缀要同时认 K/M/B 与 万/亿。
 *
 * 依赖：无（纯函数，不取任何模块引用）
 */
TikTokAuto.parse = (function () {
    'use strict';

    /* ---------------------------------------------------------- 数字 */

    /** 后缀倍数。键统一小写；`二`的两种写法（万/萬）都认。 */
    var SUFFIX = {
        '': 1,
        'k': 1000,
        'm': 1000000,
        'b': 1000000000,
        'w': 10000,          /* 万：中文界面 "1.2万" */
        '万': 10000,
        '萬': 10000,
        '亿': 100000000,
        '億': 100000000
    };

    /**
     * 把一个计数字符串解析成整数。
     *
     * 返回 **null** 表示"读不到"，与 **0** 严格区分：
     * "0 followers" 是真实的值（一个粉丝都没有），"读不到"是另一回事 ——
     * 数量门槛的判定要靠这个区别决定是"拦下"还是"放行"。
     *
     * @param raw 原始文本，如 "1.6M followers" / "2,491" / "1.2万"
     * @returns {number|null}
     */
    function count(raw) {
        if (raw === null || raw === undefined) {
            return null;
        }
        /* 统一全角数字与全角逗号：某些语言/输入法会给出全角 */
        var text = String(raw)
            .replace(/[０-９]/g, function (ch) {
                return String.fromCharCode(ch.charCodeAt(0) - 0xFEE0);
            })
            .replace(/[，]/g, ',');

        /* 抓「数字 + 可选小数 + 可选后缀」。前面的自由文本（"1.6M followers"）不影响。
         * 后缀只认白名单里的字符，避免把 "594 followers" 的 f 当成后缀。 */
        var matched = text.match(/(\d[\d,]*(?:\.\d+)?)\s*([kKmMbBwW万萬亿億]?)/);
        if (!matched) {
            return null;
        }

        var number = Number(String(matched[1]).replace(/,/g, ''));
        if (isNaN(number)) {
            return null;
        }
        var suffix = String(matched[2] || '').toLowerCase();
        var factor = SUFFIX[suffix];
        if (factor === undefined) {
            /* 后缀不在白名单（例如 "594 followers" 的 f 已不会被捕获）→ 按无后缀处理 */
            factor = 1;
        }
        return Math.round(number * factor);
    }

    /* ---------------------------------------------------------- 语言 */

    /** CJK 汉字（含扩展 A 与兼容区）与假名 —— 判定"中文内容"用 */
    var CJK = /[\u3400-\u4dbf\u4e00-\u9fff\uf900-\ufaff\u3040-\u30ff]/;
    var LATIN = /[A-Za-z\u00c0-\u024f]/;   /* 含带音标的拉丁字母（西/法/德用户昵称很常见） */

    /**
     * 估算一段文本的语种。只返回三类，够用且不猜。
     *
     * 判定规则（不是拍脑袋，理由在下面）：
     *   · **只统计字母类字符**，忽略数字/标点/emoji —— 昵称里 emoji 占比极高，
     *     算进分母会把"中文昵称 + 三个 emoji"判成"非中文"。
     *   · 中文门槛 **30%**：中文用户常混英文单词（"小美的Fashion"），
     *     门槛设成 50% 会把这类人漏掉。
     *   · 英文门槛 **70%**：反过来，英文用户极少混中文，
     *     所以"仅英文"要更严格 —— 否则一个 "Fashion 小美" 会同时进两个桶。
     *
     * @returns {string} "zh" | "en" | "mixed" | "none"
     */
    function language(raw) {
        var text = String(raw === null || raw === undefined ? '' : raw);
        if (text === '') {
            return 'none';
        }

        var cjk = 0;
        var latin = 0;
        for (var i = 0; i < text.length; i += 1) {
            var ch = text.charAt(i);
            if (CJK.test(ch)) {
                cjk += 1;
            } else if (LATIN.test(ch)) {
                latin += 1;
            }
        }

        var total = cjk + latin;
        if (total === 0) {
            return 'none';       /* 纯 emoji / 纯数字 / 阿拉伯文等 */
        }
        var zhRatio = cjk / total;
        var enRatio = latin / total;

        if (zhRatio >= 0.3) {
            return 'zh';
        }
        if (enRatio >= 0.7) {
            return 'en';
        }
        return 'mixed';
    }

    /**
     * 语言是否匹配"仅中文 / 仅英文 / 通杀"。
     *
     * `mixed` 在两边都不算匹配 —— 说不清是哪一边的，就不该被任何一边选中。
     * 但 `none`（纯 emoji 昵称）在"通杀"下通过：通杀本来就不筛。
     */
    function languageMatches(want, actual) {
        if (!want || want === 'any') {
            return true;
        }
        if (want === 'zh') {
            return actual === 'zh';
        }
        if (want === 'en') {
            return actual === 'en';
        }
        return true;
    }

    /* ---------------------------------------------------------- 区间 */

    /**
     * 区间判定。
     *
     * 三种状态必须分开表达，这是这个函数存在的理由：
     *   · **不限**（min/max 都是 0）→ 永远通过，连值都不用读；
     *   · **有值** → 落在 [min, max] 内（0 表示该侧不设限）；
     *   · **读不到**（value === null）→ **不通过**。
     *
     * 为什么读不到要拦：用户明确设了门槛，说明他在意这个条件；
     * 读不到就无法证明符合，宁可少收并在日志里说清楚 ——
     * 若这里放行，"过滤"就是形同虚设，而用户以为它生效了。
     *
     * @returns {boolean}
     */
    function inRange(value, min, max) {
        var low = Number(min) || 0;
        var high = Number(max) || 0;
        if (low <= 0 && high <= 0) {
            return true;
        }
        if (value === null || value === undefined) {
            return false;
        }
        var number = Number(value);
        if (isNaN(number)) {
            return false;
        }
        if (low > 0 && number < low) {
            return false;
        }
        if (high > 0 && number > high) {
            return false;
        }
        return true;
    }

    /** 该区间是否"什么都没设"（用来判断要不要为此打开用户页） */
    function isRangeOpen(min, max) {
        return (Number(min) || 0) <= 0 && (Number(max) || 0) <= 0;
    }

    /* ---------------------------------------------------------- 用户名 */

    /**
     * 把 "@username" 归一成 "username"。
     *
     * 实测发现用户名文本被 **FID 隔离符** 包裹（U+2068 / U+2069）：
     * 显示为 `⁨ajman_fashion_week⁩`，肉眼完全看不出，但直接当文件名/比对键就会出错。
     * `layout.sanitize` 处理了 U+200b-200f 等，**没有**处理 2068/2069（它们不是零宽字符，
     * 是双向文本隔离符），所以这里单独剥一次。
     *
     * 同时剥掉全角 @ 与首尾空白。
     */
    function username(raw) {
        if (raw === null || raw === undefined) {
            return '';
        }
        return String(raw)
            .replace(/[\u2066-\u2069\u202a-\u202e]/g, '')
            .replace(/\s+/g, '')
            .replace(/^[@＠]+/, '');
    }

    /**
     * 一个字符串是否像 TikTok 用户名（字母数字下划线点，长度 2~30）。
     *
     * 注意**不能**先走 username() —— 那个函数会去掉所有空白（清洗用途），
     * 于是 "This is a caption" 会被压成 "Thisisacaption" 而"看起来像用户名"。
     * 判定必须**保留原始空白**：真正的用户名里不会有空格。
     */
    function looksLikeUsername(raw) {
        if (raw === null || raw === undefined) {
            return false;
        }
        var name = String(raw)
            .replace(/[\u2066-\u2069\u202a-\u202e]/g, '')
            .replace(/^[\s@＠]+|[\s]+$/g, '');
        if (name.length < 2 || name.length > 30) {
            return false;
        }
        if (/\s/.test(name)) {
            return false;      /* 中间有空白 → 是文案，不是用户名 */
        }
        return /^[A-Za-z0-9_.]+$/.test(name);
    }

    /* ---------------------------------------------------------- 文件名 */

    /** 两位补零 */
    function pad2(value) {
        return value < 10 ? '0' + value : String(value);
    }

    /**
     * 结果文件名：`前缀_YYYYMMDD_HHmm.txt`
     *
     * 方案 §6.1 是对规格书的有意识偏离：规格书只有日期（`uid_20261013.txt`），
     * 同一天跑两次会互相覆盖 —— 而"同一天调两次参数"恰恰是最常见的用法。
     */
    function timestampName(prefix, date) {
        var d = date || new Date();
        return prefix + '_' + d.getFullYear() + pad2(d.getMonth() + 1) + pad2(d.getDate()) +
            '_' + pad2(d.getHours()) + pad2(d.getMinutes()) + '.txt';
    }

    return {
        count: count,
        language: language,
        languageMatches: languageMatches,
        inRange: inRange,
        isRangeOpen: isRangeOpen,
        username: username,
        looksLikeUsername: looksLikeUsername,
        timestampName: timestampName
    };
}());