在数字化时代，我们囤积了大量的影视资源链接（百度网盘、夸克网盘），但它们通常以杂乱的 TXT 文本形式存在。只有链接，没有海报；只有片名，没有评分。

为了解决这个痛点，我开发了**“影迹 AI Editor”**。这是一个纯前端的单页应用（SPA），它利用 DeepSeek 的 AI 能力解析文本，结合 TMDB 的元数据，将冰冷的文字列表瞬间转化为精美的影视海报墙。

本文将从背景、目标、技术方法、核心实现过程、最终效果及总结六个维度，详细剖析这段代码的构建逻辑。
“C:\Users\86182\Downloads\ai_studio_code (37).html”

1. 背景 (Background)

传统的资源整理方式存在以下问题：

• 信息缺失：TXT 文件里只有“文件名+链接”，无法直观看到电影的年份、评分、简介或演员阵容。
• 管理困难：难以对资源进行增删改查，容易重复收集。
• 交互体验差：复制链接需要手动操作，无法一键跳转。

我们需要一个工具，既能理解非结构化的文本（识别片名和链接），又能对接全球影视数据库（获取海报和元数据），并且所有数据都要掌握在用户自己手中（本地化存储）。

2. 目标 (Goal)

构建一个**无后端（Serverless）、单文件（Single File）**的 Web 应用，实现以下核心功能：

1. AI 智能导入：上传 TXT 文件，利用 LLM（DeepSeek）自动提取片名和不同网盘的链接。
2. 元数据自动匹配：根据提取的片名，自动从 TMDB 获取海报、评分、年份、简介及演职员表。
3. 增删改查与排重：支持手动搜索添加、删除条目，并具备自动排重机制。
4. 本地化存档：支持将整理好的影单导出为带版本号的 JSON 文件，并随时加载恢复。
5. 极致 UI：采用暗黑玻璃拟态风格（Glassmorphism），提供沉浸式体验。

3. 方法 (Method)

为了保持项目的轻量化和易部署，技术栈选择了最纯粹的组合：

• 结构与逻辑：HTML5 + 原生 JavaScript (ES6+)。
• 样式框架：Tailwind CSS (CDN 引入) —— 快速构建响应式和暗黑模式界面。
• 图标库：FontAwesome —— 提供美观的 UI 图标。
• 交互组件：SweetAlert2 —— 替代原生丑陋的 alert，提供优雅的弹窗提示。
• 外部 API：
  • DeepSeek API：负责自然语言处理（NLP），从乱码中提取结构化 JSON。
  • TMDB API：负责提供影视海报、背景图、演员等元数据。

4. 过程 (Process)

4.1 界面架构与拟态设计

整体采用深色背景（bg-slate-900），核心容器使用 glass-card 类实现毛玻璃效果：

.glass-card {
    background: rgba(30, 41, 59, 0.7);
    backdrop-filter: blur(12px);
    border: 1px solid rgba(255, 255, 255, 0.1);
}

布局上采用 Flexbox 做导航，Grid 做海报墙（grid-cols-2 sm:grid-cols-3...），确保在移动端和桌面端都有良好的展示。

4.2 核心逻辑一：AI 驱动的文本解析

这是系统的“大脑”。传统的正则提取很难处理各种不规则的文本格式。代码中定义了一个 callDeepSeek 函数，通过 Prompt Engineering 让 AI 帮我们将文本“洗”成 JSON：

const systemPrompt = `你是一个数据提取助手... 严格返回JSON数组：[{"title": "片名", "baidu_link": "", "quark_link": ""}]...`;
// ... fetch 请求 ...

这一步将非结构化数据转化为了标准化的程序可读数据。

4.3 核心逻辑二：元数据融合与排重

拿到 AI 解析的片名后，系统并行调用 TMDB 接口。为了提升匹配准确度，代码做了一个细节处理：

1. 清洗片名：移除干扰符（如“-”），提高搜索命中率。
2. 智能排序：搜索结果按 release_date 降序排列，优先展示最新上映的版本（例如搜索“三体”，优先显示电视剧版而非老旧短片）。
3. 防重机制：在添加新条目时，对比全局列表的 TMDB ID 或片名，防止重复添加。

4.4 核心逻辑三：本地化存档系统

为了解决“纯前端无法操作文件系统”的限制，代码实现了一套基于 Blob 和 LocalStorage 的存档机制。

文件名生成算法：

// 生成 YYYYMMDD + 递增序号 (001, 002...)
let seqKey = `seq_${dateStr}`;
let currentSeq = parseInt(localStorage.getItem(seqKey) || '0') + 1;
const fileName = `${dateStr}${String(currentSeq).padStart(3, '0')}.json`;

保存与加载：

• 保存：将 globalMovieList 数组序列化为 JSON 字符串，创建 Blob 对象触发浏览器下载。
• 加载：使用 <input type="file"> 和 FileReader 读取本地 JSON 文件，瞬间恢复应用状态。

4.5 细节打磨：网盘链接的 UI 修复

在早期的版本中，网盘链接显示错位。最终代码通过 Flexbox 完美解决了这个问题：

.link-row {
    display: flex; /* 启用 Flex 布局 */
    justify-content: space-between; /* 两端对齐 */
    align-items: center; /* 垂直居中 */
}
.link-input {
    flex: 1; /* 占据中间所有剩余空间 */
    /* ...省略样式... */
}

这确保了左侧图标、中间链接、右侧按钮在同一水平线上井然有序。

5. 结果 (Result)

经过上述开发，我们得到了一个功能完备的“影迹 Editor”：

1. 极速体验：无需安装 Python 环境或 Node.js 依赖，双击 index.html 即可运行。
2. 可视化管理：原本枯燥的文本变成了带有评分、年份标签的海报墙。
3. 信息聚合：点击海报，不仅能看到剧情简介，还能直接查看演员详细资料，并一键跳转百度/夸克网盘。
4. 数据安全：API Key 存储在本地 LocalStorage，影单数据以 JSON 文件保存在用户硬盘，没有任何数据上传至第三方服务器。
   

6. 总结 (Conclusion)

这段代码是一个典型的**“大模型落地应用”**微型案例。

• 技术层面：它展示了如何通过简单的 HTML/JS 胶水代码，将强大的 AI 能力（DeepSeek）和垂直领域数据（TMDB）连接起来，解决实际问题。
• 产品层面：它验证了即使没有后端数据库，通过浏览器自身的存储和文件处理能力，也能构建出体验优秀的工具类软件。

影迹 AI Editor 不仅仅是一个播放列表整理工具，它通过技术手段，让每个人都能轻松构建属于自己的私人影视图书馆。未来，我们还可以进一步引入 IndexedDB 提升数据容量，或增加海报本地缓存功能，使其更加强大。