图床跑路后老帖图片全裂,写了个脚本批量排查-技术教程论坛-技术之家-989论坛

图床跑路后老帖图片全裂,写了个脚本批量排查

上周把图片域名从原来的 CDN 切回来,本来以为改个解析就完事了。结果这几天陆续有人在群里说,站上好几篇老帖的图都裂了。

我随手点开两篇,确实一片白框。手动翻了几十页之后我放弃了,这活儿不是人干的,写个脚本吧。

深夜排查服务器图片失效

判断“图挂了”没想得那么简单

第一反应是 curl 一下看状态码,404 就算挂。真跑起来才发现坑挺多:

  • 有些图床路径直接返回 200,内容其实是一张“图片不存在”的 HTML 页,只看状态码会被骗;
  • 有的节点干脆超时,curl 拿不到 HTTP 码,只有 errno;
  • 子比主题的图是懒加载的,src 里塞的是占位图,真实地址在 data-src;
  • 还有 srcset 里的多倍图,电脑上看不出来,换手机就露馅。

最后定的判断条件:连接失败、超时、HTTP 状态码大于等于 400、Content-Type 不是 image/* 也不是 application/octet-stream,中任意一条就算坏。

抓图和探测

正文里用正则把 img 标签抠出来,优先取 data-src,没有再用 src,顺手把背景图也带上。用 DOMDocument 理论上更稳,但论坛正文里经常有没闭合的标签,DOM 直接罢工,正则反而省事。

去重之后一共 92 个地址,单线程也能跑完,不过既然都写了,就上 curl_multi,10 个并发、12 秒超时。探测的时候带上 Range,只拿前 2KB,别真把整张图拉下来。

<?php
$db = new mysqli('localhost', 'user', 'pass', 'db');
$res = $db->query("SELECT ID, post_content FROM wp_posts
    WHERE post_status='publish' AND post_type IN ('post','forum_post')");

$urls = [];
while ($row = $res->fetch_assoc()) {
    preg_match_all('/<imgb[^>]*>/i', $row['post_content'], $m);
    foreach ($m[0] as $tag) {
        if (preg_match('/bdata-src=["']([^"']+)["']/i', $tag, $x)) {
            $urls[$x[1]][] = $row['ID'];
        } elseif (preg_match('/bsrc=["']([^"']+)["']/i', $tag, $x)) {
            $urls[$x[1]][] = $row['ID'];
        }
    }
}
echo 'images: ' . count($urls) . PHP_EOL;

$mh = curl_multi_init();
foreach ($urls as $url => $ids) {
    $ch = curl_init($url);
    curl_setopt_array($ch, [
        CURLOPT_RETURNTRANSFER => true,
        CURLOPT_FOLLOWLOCATION => true,
        CURLOPT_TIMEOUT        => 12,
        CURLOPT_RANGE          => '0-2047',
    ]);
    curl_multi_add_handle($mh, $ch);
}

// 收集结果后按 状态码 / Content-Type 判断
// 坏的地址从 $urls 里反查帖子 ID,记下来

跑完的结果

批量探测图片返回 404 的终端输出

97 篇已发布帖,32 篇带图,92 张唯一图片,最后 54 个地址是坏的,涉及 12 篇帖子,基本集中在今年 4 月那批。

翻了下后台,那阵子正好换过一次存储。本地原图被中转插件删掉了,远端后来又清过一次,两头都没了。这种就没什么可修复的,只能先下掉。

按上传月份统计的失效图片数量柱状图

下架之前先留退路

没敢直接 DELETE,也没直接在数据库里 update。流程大概是:

  1. 把受影响帖子的 ID、状态、发布时间导一份 JSON;
  2. 顺手生成一份回滚用的 SQL;
  3. 用 wp_update_post 改成 draft,让主题该跑的钩子正常跑;
  4. 最后 wp_cache_flush(),不然 Redis 里还是旧数据。

改完抽查了两个链接,前台已经是 404,首页和板块页都正常。12 篇里 11 篇是图全挂,剩下一篇只挂了三分之一,这种其实有点可惜,但图补不回来,先一起下了,等以后有原图再放出来。

几个小提醒

  • 别只信 HTTP 状态码,Content-Type 一定要看;
  • 探测加 Range,省流量也快;
  • 只读扫描和改状态分成两个脚本,中间留备份;
  • 正文里引用的外链图片,图床一挂就是永久性的,本地一定留一份。

图床这东西,便宜是真便宜,跑路也是真跑路。这次算是给自己提了个醒,后面传的图老老实实存本地,再定期异备。脚本不长,想用的照着改改就行。

请登录后发表评论

    没有回复内容