TCB Scans漫画源解析异常问题分析与解决方案

问题背景

在Mihon/Tachiyomi漫画阅读器的TCB Scans扩展(版本1.4.11)中，用户报告部分章节(如《电锯人》第106章)下载时出现HTTP 404错误。经过深入分析，发现这是由于网页解析逻辑存在缺陷导致的特殊问题。

问题本质

该问题并非简单的页面缺失问题，而是源站在HTML中嵌入了额外的img标签，这些标签：

1. 与正常章节图片在DOM结构上无法区分
2. 指向了不存在的资源路径
3. 被解析器误判为有效页面

在《电锯人》第106章案例中，解析器捕获到了两个额外的无效img标签，导致应用尝试下载不存在的资源而报错。

技术分析

现有解析机制

当前解析器的工作流程大致为：

1. 获取章节HTML内容
2. 提取所有img标签
3. 将img的src属性作为图片地址
4. 发起下载请求

问题根源

这种简单粗暴的解析方式无法应对以下特殊情况：

• 源站可能在页面中嵌入非章节内容的img标签
• 某些img标签可能指向无效资源(404)
• 广告或水印图片被混入内容图片中

解决方案探讨

方案一：HEAD请求预校验

实现思路：

1. 解析时对每个img的src发起HEAD请求
2. 校验HTTP状态码
3. 仅保留返回200 OK的图片资源

优点：

• 能动态适应各种异常情况
• 无需维护特殊规则列表

缺点：

• 增加网络请求次数
• 可能延长解析时间
• 对源站造成额外负载

方案二：特殊规则硬编码

实现思路：

1. 维护已知问题章节列表
2. 对这些章节应用特殊过滤规则

优点：

• 实现简单直接
• 不增加额外网络请求

缺点：

• 需要持续维护规则列表
• 无法应对新出现的问题章节
• 扩展性差

推荐解决方案

结合两种方案的优点，建议采用混合策略：

1. 首先实现HEAD请求校验机制
2. 对已知问题章节建立缓存规则
3. 对校验失败的图片进行日志记录
4. 定期分析日志优化解析逻辑

实现建议

对于Kotlin实现，可考虑以下优化点：

1. 在页面解析阶段增加图片URL校验层
2. 实现智能缓存机制，避免重复校验
3. 添加容错处理，当主要图片可用时忽略无效资源
4. 建立异常图片特征库，自动过滤已知问题模式

总结

TCB Scans源的这类解析问题在漫画聚合应用中并不罕见，其根本原因在于不同源站的HTML结构差异。理想的解决方案应该兼顾准确性和性能，既能正确处理异常情况，又不会过度增加系统负担。通过改进解析逻辑和增加智能校验机制，可以显著提升用户体验。