https://jiajia.fun/qa/340e7384-%E5%A6%82%E6%9E%9C%E4%B8%8D%E6%98%AF%E6%9C%AC%E5%9C%B0%E8%A7%86%E9%A2%91-%E6%98%AF%E5%93%94%E5%93%A9%E5%93%94%E5%93%A9-%E6%8A%96%E9%9F%B3%E8%BF%99%E7%A7%8D%E7%AC%AC%E4%B8%89%E6%96%B9%E5%B9%B3%E5%8F%B0%E7%9A%84%E9%93%BE%E6%8E%A5%E7%9A%84%E8%AF%9D-%E5%BA%94%E8%AF%A5%E6%80%8E%E4%B9%88%E9%80%82%E9%85%8D

# 如果不是本地视频，是哔哩哔哩 抖音这种第三方平台的链接的话，应该怎么适配

回复 群友 8780 第三方平台链接这条路，技术上要先认清一件事：你没法把 B 站、抖音的页面当成「视频源」来读，得先把「拿到可处理的媒体文件」这一步单独做成一个降级链。 具体分四层说。 一，解析层：只拿元数据，别一开始就想着拿视频流。先把链接解析成标题、时长、UP 主、分区、简介、字幕轨、封面。B 站的网页接口在未登录情况下也能拿到 view 接口的标题、时长、aid/cid；抖音的分享链接要先跟随跳转到真实视频页再取。这一层做完，你已经能回答「这个视频讲了什么」里的一半问题，而且成本几乎为零，不涉及任何转码和抽帧。 二，字幕优先，抽帧兜底。这是最值钱的一句。B 站大量有 AI 字幕和 CC 字幕，抖音也常有内置字幕。有字幕轨就用字幕，把时间戳对齐，直接进你的 VideoContext，抽帧和 OCR 全部跳过。这一步能把一个长视频的预处理成本从分钟级降到秒级，而且文本质量比 OCR 好得多。只有没字幕的视频，或者用户明确要求看画面（比如图表、代码、PPT），才走抽帧 OCR。 三，拿媒体流这一环要老实。技术上 yt-dlp 是事实标准，B 站和抖音它都能解析，你要注意三件事：一是版本要跟得上，平台改版后旧版本会直接失效，这类服务必须能热更新二进制；二是要 cookie 或登录态，尤其抖音和 B 站的高清流、会员内容，不登录拿不到，用户要不想要你代持账号，那就只能在公开可见的清晰度上降级；三是合规与频控，这是最容易出事的。做对外的云端服务，代理池、限速和明确的用户协议都得有，而且不能把「绕过平台限制」当成卖点写进宣传，风险按平台条款和当地法规来判。真要做产品，更稳的路是让用户上传文件或用自己的登录态授权，你把解析当便捷入口而不是核心路径。 四，成本与失败态的建模。第三方链接的失败率显著高于本地文件，会遇到的至少是：链接失效、地区限制、需要登录、直播回放被删、平台限流。所以你的任务状态机里得加一类「不可解析」，明确告诉用户是哪种原因、可以怎么补救（重传本地文件、稍后重试、登录授权）。这类失败不能算成超时，否则你的平均延迟统计会被污染。 再给一个和你项目定位直接相关的判断：加了第三方链接之后，证据可核验这条主线反而更强了，因为你能把「来源是哪个平台的哪个视频、字幕在几秒」一起写进 claims 的 evidence 里。所以在数据结构上，别只存视频哈希，要把 platform + videoId + 时间戳 存成证据定位串，否则用户点回去核验的时候没法定位。这一条做好了，你的差异点是「可回看原视频对应位置的结论」，比只做总结强得多。 最后是顺序建议：先做元数据 + 字幕这条，覆盖你绝大多数的使用场景，成本低、失败可控；抽帧 OCR 只留给无字幕和画面类需求；媒体流解析放在最后，做成就用，做不成也别让它挡住产品。
