diff --git a/tradein-mvp/backend/app/services/scrape_pipeline.py b/tradein-mvp/backend/app/services/scrape_pipeline.py index aa38b5ff..90aa11d7 100644 --- a/tradein-mvp/backend/app/services/scrape_pipeline.py +++ b/tradein-mvp/backend/app/services/scrape_pipeline.py @@ -3087,10 +3087,10 @@ async def run_avito_full_load( class DomClickCitySweepCounters: """Aggregate counters для DomClick citywide sweep run. - DomClick SERP — citywide (city_id), не geo-bbox: anchor-loop отсутствует. - Один проход fetch_city перебирает rooms × pages внутри scraper'а. - Поля симметричны sibling-counters, но без detail_*/houses_* (DomClick SERP-only) - и без anchors_* (нет anchor-фазы). pages_fetched = rooms × pages worst-case. + DomClick BFF — citywide (city_id), не geo-bbox: anchor-loop отсутствует. + Один проход fetch_city перебирает ROOM_BUCKETS × pages внутри scraper'а. + Поля симметричны sibling-counters, но без detail_*/houses_* (SERP-only) + и без anchors_* (нет anchor-фазы). pages_fetched = 6 buckets × pages worst-case. """ lots_fetched: int = 0 @@ -3098,17 +3098,21 @@ class DomClickCitySweepCounters: lots_updated: int = 0 pages_fetched: int = 0 errors_count: int = 0 + blocked: int = 0 # 1 если QRATOR-блок был во время sweep + geo_filtered: int = 0 # число офферов отфильтрованных geo-guard def to_dict(self) -> dict[str, int]: return {f.name: getattr(self, f.name) for f in fields(self)} -# Дефолтные параметры sweep'а (EKB city_id=4, все комнатности). +# Дефолтные параметры sweep'а (EKB city_id=4). DOMCLICK_DEFAULT_CITY_ID: int = 4 -DOMCLICK_DEFAULT_ROOMS: list[int] = [0, 1, 2, 3, 4] -# Оценка времени одного fetch'а (network + camoufox render + parse) для watchdog. +DOMCLICK_DEFAULT_ROOMS: list[int] = [0, 1, 2, 3, 4] # vestigial; scraper sweeps all buckets +# Число BFF-бакетов (st/1/2/3/4/5+) — фиксировано; используется для watchdog. +_DOMCLICK_NUM_BUCKETS: int = 6 +# Оценка времени одного fetch'а (network + parse) для watchdog. _DOMCLICK_PER_FETCH_S: float = 12.0 -# Буфер сверху расчётного бюджета (cold browser start, save-фаза). +# Буфер сверху расчётного бюджета (cold browser start, save-фаза, price-splits). _DOMCLICK_SWEEP_BUDGET_S: float = 300.0 @@ -3118,46 +3122,51 @@ async def run_domclick_city_sweep( run_id: int, city_id: int = DOMCLICK_DEFAULT_CITY_ID, rooms: list[int] | None = None, - pages: int = 5, + pages: int = 100, request_delay_sec: float | None = None, ) -> DomClickCitySweepCounters: - """DomClick citywide sweep: SERP по city_id × rooms × pages → save → house-match. + """DomClick citywide sweep через BFF JSON API. Структурно зеркалит run_cian_city_sweep / run_yandex_city_sweep, но CITYWIDE: - DomClick SERP не поддерживает geo-radius (fetch_around → NotImplementedError), - поэтому anchor-loop отсутствует. DomClickScraper.fetch_city уже перебирает - rooms × pages через внутренний BrowserFetcher (camoufox headless) и - дедуплицирует по source_id. + DomClick не поддерживает geo-radius (fetch_around → NotImplementedError), + поэтому anchor-loop отсутствует. DomClickScraper.fetch_city перебирает все + ROOM_BUCKETS (st/1/2/3/4/5+) через BrowserFetcher → shared mobile proxy → + обходит QRATOR. Фазы (единственный citywide проход): 1. SERP: DomClickScraper().fetch_city(city_id, rooms, pages). - 2. SAVE: save_listings(db, lots, run_id=run_id) — BaseScraper save path, - триггерит существующий house-match hook (адрес-fingerprint tier, т.к. - DomClick SERP не отдаёт lat/lon). + 2. SAVE: save_listings(db, lots, run_id=run_id) — house-match по lat/lon и + address-fingerprint (BFF отдаёт координаты). Watchdog: весь fetch_city оборачивается в asyncio.wait_for. Таймаут считается - из rooms × pages × per-fetch + buffer (минимум ANCHOR_TIMEOUT_SEC). + из 6 buckets × pages × per-fetch + buffer (минимум ANCHOR_TIMEOUT_SEC). + Реальный sweep ≈ 330 страниц (rooms=2 требует price-split). Cooperative cancel: is_cancelled(db, run_id) проверяется перед SERP-фазой. - mark_done вызывается ВСЕГДА (кроме cancel / fatal). lat=lon=None у всех lots → - house-match использует только address_fingerprint tier. + + ЧЕСТНЫЙ СТАТУС (#1968): если scraper сообщил QRATOR-блок И lots == 0 → + mark_failed с объяснением. Иначе mark_done (в т.ч. при lots==0 без блока: + genuinely empty run). Возвращает DomClickCitySweepCounters. """ - from app.services.scrapers.domclick import DomClickScraper + from app.services.scrapers.domclick import ROOM_BUCKETS, DomClickScraper - _rooms = rooms if rooms is not None else list(DOMCLICK_DEFAULT_ROOMS) - _resolved_delay = request_delay_sec if request_delay_sec is not None else 8.0 + _resolved_delay = request_delay_sec if request_delay_sec is not None else 6.0 counters = DomClickCitySweepCounters() - # Watchdog-таймаут: число fetch'ей = len(rooms) × pages (worst-case, без - # early-break на пустой странице). Каждый fetch ≈ delay + render/parse overhead. - _num_fetches = max(1, len(_rooms)) * max(1, pages) + # Watchdog: 6 buckets × pages × per_fetch + budget. + # Реальный worst-case (rooms=2 price-split) ≈ 330 страниц × (delay+12s). + # pages=100 → 600 fetch'ей × ~18s + 300 ≈ 11100s (~3ч) — намеренно generous. + _num_fetches = _DOMCLICK_NUM_BUCKETS * max(1, pages) _sweep_timeout = max( ANCHOR_TIMEOUT_SEC, int(_num_fetches * (_resolved_delay + _DOMCLICK_PER_FETCH_S) + _DOMCLICK_SWEEP_BUDGET_S), ) + # Мутируемый контейнер для захвата scraper-ссылки из замыкания. + _scraper_ref: list[DomClickScraper] = [] + try: # ── Cooperative cancel перед SERP-фазой ────────────────────────────── if scrape_runs.is_cancelled(db, run_id): @@ -3166,10 +3175,11 @@ async def run_domclick_city_sweep( return counters logger.info( - "domclick-sweep run_id=%d: citywide SERP city_id=%d rooms=%s pages=%d (watchdog %ds)", + "domclick-sweep run_id=%d: BFF citywide sweep city_id=%d " + "buckets=%d pages_cap=%d (watchdog %ds)", run_id, city_id, - _rooms, + len(ROOM_BUCKETS), pages, _sweep_timeout, ) @@ -3179,10 +3189,11 @@ async def run_domclick_city_sweep( async def _domclick_phase() -> None: """Единственная citywide-фаза: fetch_city + save.""" nonlocal lots - async with DomClickScraper() as scraper: + async with DomClickScraper() as _scraper: + _scraper_ref.append(_scraper) if request_delay_sec is not None: - scraper.request_delay_sec = _resolved_delay - lots = await scraper.fetch_city(city_id=city_id, rooms=_rooms, pages=pages) + _scraper.request_delay_sec = _resolved_delay + lots = await _scraper.fetch_city(city_id=city_id, rooms=rooms, pages=pages) counters.lots_fetched += len(lots) if lots: inserted, updated = save_listings(db, lots, run_id=run_id) @@ -3202,18 +3213,53 @@ async def run_domclick_city_sweep( logger.exception("domclick-sweep run_id=%d: SERP phase failed", run_id) counters.errors_count += 1 - # pages_fetched: worst-case число запрошенных страниц (rooms × pages). + # Перенести счётчики scraper'а в counters (если scraper был создан). + if _scraper_ref: + _s = _scraper_ref[0] + counters.blocked = 1 if _s.blocked else 0 + counters.geo_filtered = _s.geo_filtered + # Не-block fetch-ошибки скрейпера учитываем в errors_count: они должны + # влиять на honest-status (0 lots + fetch_errors → НЕ ложный mark_done). + counters.errors_count += _s.fetch_errors + + # pages_fetched: worst-case число страниц (buckets × pages cap). counters.pages_fetched = _num_fetches scrape_runs.update_heartbeat(db, run_id, counters.to_dict()) - scrape_runs.mark_done(db, run_id, counters.to_dict()) + + # ── ЧЕСТНЫЙ СТАТУС (#1968) ──────────────────────────────────────────── + # 0 lots + (block ИЛИ любая ошибка) → failed: run без результата по + # внешней причине не должен маскироваться как 'done'. Нераспознанный + # block-вариант (нет литерал-маркера) приходит как fetch_error, не blocked — + # поэтому errors_count тоже триггерит failed. Genuinely empty 0-error run + # → done. Partial run с lots>0 остаётся done даже если часть бакетов упала. + if counters.lots_fetched == 0 and (counters.blocked or counters.errors_count > 0): + logger.error( + "domclick-sweep run_id=%d: 0 listings with blocked=%d errors=%d " + "— marking failed", + run_id, + counters.blocked, + counters.errors_count, + ) + scrape_runs.mark_failed( + db, + run_id, + "QRATOR block or fetch errors — 0 listings", + counters.to_dict(), + ) + else: + scrape_runs.mark_done(db, run_id, counters.to_dict()) + logger.info( - "domclick-sweep run_id=%d done: lots=%d (ins=%d/upd=%d) pages=%d errors=%d", + "domclick-sweep run_id=%d done: lots=%d (ins=%d/upd=%d) " + "pages=%d errors=%d blocked=%d geo_filtered=%d", run_id, counters.lots_fetched, counters.lots_inserted, counters.lots_updated, counters.pages_fetched, counters.errors_count, + counters.blocked, + counters.geo_filtered, ) return counters diff --git a/tradein-mvp/backend/app/services/scrapers/domclick.py b/tradein-mvp/backend/app/services/scrapers/domclick.py index ccb71cdb..b6f3087b 100644 --- a/tradein-mvp/backend/app/services/scrapers/domclick.py +++ b/tradein-mvp/backend/app/services/scrapers/domclick.py @@ -1,28 +1,32 @@ -"""DomClick.ru scraper — вторичка через headless BrowserFetcher (#796). +"""DomClick.ru scraper — вторичка через JSON BFF API (#1968). -Стратегия: HTML scrape через camoufox (AsyncCamoufox) — единственный -рабочий путь: DataDome пропускает headless Playwright, curl_cffi -> 401. +Стратегия: GET https://bff-search-web.domclick.ru/api/offers/v1?... через +BrowserFetcher(source="domclick") (generic provider → shared mobile proxy). +QRATOR банит прямые datacenter-запросы, но пропускает через mobile proxy. -URL шаблон: - https://domclick.ru/search?deal_type=sale&category=living&offer_type=flat - &city_id={city_id}&rooms={r}&p={page} +Ответ BrowserFetcher содержит JSON, обёрнутый в HTML (
или bare body).
+Парсинг: _extract_json() вытаскивает первый {...} из ответа.
-Оффер-карточки: `a[href*="/card/"]` с href-паттерном `/card/sale__flat__`.
-Координаты SERP не отдаёт (lat = lon = None).
+Стратегия нумерации комнат (ROOM_BUCKETS):
+ "st" — студии (force rooms=0 в ScrapedLot)
+ "1"–"4" — соответственно
+ "5+" — 5 и более комнат
-Важно: selectolax `.text()` объединяет все дочерние текстовые узлы без
-разделителей. Числа из адреса (номер дома) могут слипнуться с ценой.
-Поэтому цену извлекаем из каждого дочернего элемента отдельно (а не из
-суммарного card_text), где элемент содержит символ рубля.
+Пагинация: offset 0, 20, 40, …, cap=2000. Если snippetsCount > 2000
+для бакета, рекурсивно делим по цене (binary split) до тех пор пока
+каждая ветка укладывается в cap.
+
+# TODO Layer B (#1846 follow-up): backfill renovation/wallType/priceHistory
+через detail-эндпоинт после первоначального сбора.
"""
from __future__ import annotations
+import json
import logging
-import re
-from urllib.parse import urljoin
-
-from selectolax.parser import HTMLParser, Node
+from datetime import date
+from typing import Any
+from urllib.parse import urlencode
from app.services.scraper_settings import get_scraper_delay
from app.services.scrapers.base import BaseScraper, ScrapedLot
@@ -30,112 +34,179 @@ from app.services.scrapers.domclick_exceptions import DomClickBlockedError
logger = logging.getLogger(__name__)
-# ── DataDome block detection ─────────────────────────────────────────────────
-_DATADOME_MARKERS = ("datadome", "blocked", "access denied", "bot detected")
+# ── API constants ─────────────────────────────────────────────────────────────
+_BFF_BASE = "https://bff-search-web.domclick.ru"
+_EKB_ADDRESS_GUID = "0d475b79-88de-4054-818c-37d8f9d0d440"
+_EKB_AREA_ID = "20561"
-def _is_blocked_page(html: str) -> bool:
- head = html[:2048].lower()
- return any(m in head for m in _DATADOME_MARKERS)
+# Buckets to sweep — порядок влияет на логи.
+ROOM_BUCKETS: tuple[str, ...] = ("st", "1", "2", "3", "4", "5+")
+OFFSET_CAP: int = 2000 # max offset принятый BFF API
+PAGE_SIZE: int = 20 # items per page (жёстко задан API)
+# Потолок цены для binary split. 1 млрд ₽ — безопасно выше любой ЕКБ-квартиры;
+# выбран так чтобы НЕ отбрасывать листинги дороже потолка при сплите unbounded-бакета
+# (родительский count не ограничен сверху → clamped _lte должен покрывать весь хвост).
+LTE_MAX: int = 1_000_000_000
+MIN_PRICE_SPAN: int = 100_000 # ниже этого span прекращаем делить
-# ── Regex helpers ────────────────────────────────────────────────────────────
-# _RE_ROOMS расширен относительно avito.py: DomClick пишет «2-комн. квартира»
-# (с «комн.») — avito.py-вариант ловит только «N-к. кв.» / «N-к квартира».
-_RE_ROOMS = re.compile(
- r"(\d)-(?:комн\.?\s*(?:квартира|кв\.?)?|к\.?\s*(?:квартира|кв\.?))",
- re.IGNORECASE,
-)
-_RE_STUDIO = re.compile(r"\bстуди[яиюей]\b", re.IGNORECASE)
-_RE_AREA = re.compile(r"(\d+[.,]?\d*)\s*м[2²]", re.IGNORECASE)
-_RE_FLOOR = re.compile(r"(\d+)\s*/\s*(\d+)\s*эт\.?", re.IGNORECASE)
+# ── QRATOR block detection ────────────────────────────────────────────────────
-# Цена: парсим из одного элемента DOM (не из суммарного card_text) —
-# иначе число дома может слипнуться с ценой. Цена всегда в элементе с «₽».
-_RE_PRICE_EL = re.compile(r"([\d\s ]+)\s*[₽р](?:уб\.?)?", re.IGNORECASE)
-
-# source_id из href вида /card/sale__flat__2075671636
-_RE_SOURCE_ID = re.compile(r"sale__flat__(\d+)")
-
-# Адресные ключевые слова (эвристика)
-_RE_ADDR_KW = re.compile(
- r"ул\.|улица|пер\.|переулок|пр-т|проспект"
- r"|бул\.|бульвар|шоссе|наб\.|набережная"
- r"|пл\.|площадь|тракт|д\.\s*\d",
- re.IGNORECASE,
+_QRATOR_MARKERS: tuple[str, ...] = (
+ "qrator",
+ "bot_mitigation",
+ "система защиты",
+ "403 | домклик",
+ "captcha",
+ "access denied",
)
+# ── EKB geo guard ─────────────────────────────────────────────────────────────
-# ── Вспомогательные функции ──────────────────────────────────────────────────
+_EKB_LAT_MIN: float = 56.6
+_EKB_LAT_MAX: float = 57.0
+_EKB_LON_MIN: float = 60.2
+_EKB_LON_MAX: float = 60.9
+_EKB_REGION_NAME: str = "Екатеринбург"
-def _extract_rooms(text: str) -> int | None:
- if _RE_STUDIO.search(text):
- return 0
- m = _RE_ROOMS.search(text)
- return int(m.group(1)) if m else None
+# ── JSON extraction ───────────────────────────────────────────────────────────
-def _extract_area(text: str) -> float | None:
- m = _RE_AREA.search(text)
- return float(m.group(1).replace(",", ".")) if m else None
+def _extract_json(html: str) -> dict[str, Any]:
+ """Извлекает JSON-объект из ответа BrowserFetcher.
+ BrowserFetcher оборачивает JSON в HTML-страницу двумя способами:
+ 1. Bare body: ``{"result": ...}`` напрямую в .
+ 2. -wrapped: ``{"result": ...}``.
-def _extract_floor(text: str) -> tuple[int | None, int | None]:
- m = _RE_FLOOR.search(text)
- if m:
- return int(m.group(1)), int(m.group(2))
- return None, None
+ Стратегия: найти первый '{' и последний '}' — работает для обоих вариантов.
-
-def _extract_price_from_element(text: str) -> int | None:
- """Извлекаем цену из текста ОДНОГО элемента DOM.
-
- Парсим из одного span/div — не из суммарного card_text. Это исключает
- случай, когда адресный номер дома стоит вплотную перед ценой в
- объединённом тексте карточки («Ленина, 503 100 000 руб.»).
+ Raises:
+ DomClickBlockedError: если ответ содержит QRATOR/captcha маркеры.
+ ValueError: если JSON не найден или не является dict.
"""
- m = _RE_PRICE_EL.search(text)
- if m:
- # Нормализуем пробелы любого вида (обычный, неразрывный, узкий)
- raw = re.sub(r"[\s ]", "", m.group(1))
- if raw.isdigit():
- val = int(raw)
- if val > 0:
- return val
- return None
+ # Сканируем ВЕСЬ ответ (а не только первые 4096B): block-маркер может
+ # стоять за пределами head в крупных challenge-страницах.
+ html_lower = html.lower()
+ if any(m in html_lower for m in _QRATOR_MARKERS):
+ raise DomClickBlockedError(
+ f"DomClick BFF: QRATOR block page detected (markers checked: {_QRATOR_MARKERS[:2]})"
+ )
+
+ start = html.find("{")
+ end = html.rfind("}")
+ if start == -1 or end == -1 or end <= start:
+ raise ValueError(f"No JSON object found in BFF response (len={len(html)})")
+
+ data = json.loads(html[start : end + 1])
+ if not isinstance(data, dict):
+ raise ValueError(f"BFF response JSON is not a dict: {type(data)}")
+ return data # type: ignore[return-value]
-def _extract_source_id(href: str) -> str | None:
- """Числовой ID из href типа /card/sale__flat__2075671636."""
- m = _RE_SOURCE_ID.search(href)
- return m.group(1) if m else None
+# ── URL builders ──────────────────────────────────────────────────────────────
+
+
+def _build_offers_url(
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ offset: int,
+) -> str:
+ """Строит URL для GET /api/offers/v1 с пагинацией.
+
+ urlencode кодирует "5+" → "5%2B" (literal '+' в query string = space → reject).
+ """
+ params: list[tuple[str, str]] = [
+ ("address", _EKB_ADDRESS_GUID),
+ ("aids", _EKB_AREA_ID),
+ ("deal_type", "sale"),
+ ("category", "living"),
+ ("offer_type", "flat"),
+ ("rooms", rooms),
+ ("sort", "qi"),
+ ("sort_dir", "desc"),
+ ("offset", str(offset)),
+ ("limit", str(PAGE_SIZE)),
+ ]
+ if price_gte is not None:
+ params.append(("sale_price__gte", str(price_gte)))
+ if price_lte is not None:
+ params.append(("sale_price__lte", str(price_lte)))
+ return f"{_BFF_BASE}/api/offers/v1?{urlencode(params)}"
+
+
+def _build_count_url(
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+) -> str:
+ """Строит URL для GET /api/offers/count/v1 (без offset/limit)."""
+ params: list[tuple[str, str]] = [
+ ("address", _EKB_ADDRESS_GUID),
+ ("aids", _EKB_AREA_ID),
+ ("deal_type", "sale"),
+ ("category", "living"),
+ ("offer_type", "flat"),
+ ("rooms", rooms),
+ ("sort", "qi"),
+ ("sort_dir", "desc"),
+ ]
+ if price_gte is not None:
+ params.append(("sale_price__gte", str(price_gte)))
+ if price_lte is not None:
+ params.append(("sale_price__lte", str(price_lte)))
+ return f"{_BFF_BASE}/api/offers/count/v1?{urlencode(params)}"
+
+
+def _parse_publish_date(iso: str | None) -> date | None:
+ """Парсит ISO8601 дату публикации → date. None при ошибке."""
+ if not iso:
+ return None
+ try:
+ return date.fromisoformat(iso[:10])
+ except (ValueError, TypeError):
+ return None
# ── DomClickScraper ──────────────────────────────────────────────────────────
class DomClickScraper(BaseScraper):
- """DomClick вторичка parser. Источник = 'domklik'.
+ """DomClick вторичка через JSON BFF API. Источник = 'domklik'.
- Использует BrowserFetcher (camoufox headless Firefox) — DataDome пропускает
- его без дополнительной stealth-настройки. curl_cffi -> 401 (DataDome блок).
+ Использует BrowserFetcher(source="domclick") (generic provider → shared mobile
+ proxy), который обходит QRATOR. Прямые curl/httpx-запросы с datacenter-IP
+ блокируются QRATOR.
Основной метод: fetch_city(city_id, rooms, pages).
fetch_around() не реализован: DomClick не поддерживает geo-radius в URL.
+
+ Counters (публичные после fetch_city):
+ parse_failures — офферы с ошибкой маппинга
+ geo_filtered — офферы вне ЕКБ bbox или с неверным offerRegionName
+ blocked — True если sweep был прерван QRATOR-блоком
+ fetch_errors — не-block ошибки извлечения JSON (truncated/garbled/bad shape)
"""
name = "domklik"
source = "domklik"
base_url = "https://domclick.ru"
- # DataDome — консервативная задержка между страницами (fallback до init)
+ # Консервативная задержка между страницами (fallback до init)
request_delay_sec = 8.0
def __init__(self) -> None:
super().__init__()
self.request_delay_sec = get_scraper_delay(self.name)
- # Счётчик карточек с неожиданной DOM-структурой (для observability)
self.parse_failures: int = 0
+ self.geo_filtered: int = 0
+ self.blocked: bool = False
+ # Не-block ошибки извлечения JSON (truncated/garbled response, неверная
+ # структура). В отличие от parse_failures (per-item), это per-fetch ошибки,
+ # которые ограничивают сбор бакета. Учитываются в honest-status pipeline.
+ self.fetch_errors: int = 0
async def __aenter__(self) -> DomClickScraper:
await super().__aenter__()
@@ -155,237 +226,361 @@ class DomClickScraper(BaseScraper):
self,
city_id: int,
rooms: list[int] | None = None,
- pages: int = 20,
+ pages: int = 100,
) -> list[ScrapedLot]:
- """Citywide sweep: все страницы SERP для city_id.
+ """Citywide sweep через BFF JSON API.
+
+ Аргументы city_id и rooms принимаются для совместимости сигнатуры с
+ вызывающим кодом (run_domclick_city_sweep), но:
+ - city_id — vestigial (EКБ захардкожен через GUID).
+ - rooms — игнорируется; всегда обходятся все ROOM_BUCKETS внутри.
Args:
- city_id: числовой ID города в DomClick (например, 4 = Екатеринбург).
- rooms: список значений комнатности (0=студия, 1, 2, 3, 4, ...).
- None -> без фильтра комнатности (все квартиры сразу).
- pages: максимальное число страниц на один sweep. Break on empty.
+ city_id: игнорируется (EKB захардкожен).
+ rooms: игнорируется (ROOM_BUCKETS перебирается всегда).
+ pages: максимальное число страниц на бакет (safety cap).
Returns:
Дедуплицированный по source_id список ScrapedLot.
"""
+ # TODO Layer B (#1846 follow-up): backfill renovation/wallType/priceHistory
+
from app.services.scrapers.browser_fetcher import BrowserFetcher
- all_lots: list[ScrapedLot] = []
+ out_lots: list[ScrapedLot] = []
seen_ids: set[str] = set()
- # Формируем список room-значений для sweep'ов
- room_values: list[int | None] = [None] if not rooms else list(rooms)
-
async with BrowserFetcher(source="domclick") as fetcher:
- for room_val in room_values:
- room_label = f"rooms={room_val}" if room_val is not None else "all_rooms"
+ for bucket in ROOM_BUCKETS:
logger.info(
- "domklik: city_id=%d %s sweep (max %d pages)", city_id, room_label, pages
+ "domklik: BFF sweep rooms=%r city_id=%d pages_cap=%d",
+ bucket,
+ city_id,
+ pages,
)
-
- for page_num in range(1, pages + 1):
- url = self._build_url(city_id, room_val, page_num)
- logger.debug("domklik: fetch %s", url)
-
- try:
- html = await fetcher.fetch(url)
- except Exception as exc:
- logger.error(
- "domklik: fetch failed city_id=%d page=%d: %s",
- city_id,
- page_num,
- exc,
- )
- break
-
- try:
- lots = self._parse_html(html)
- except DomClickBlockedError:
- logger.warning(
- "domklik: DataDome block at city_id=%d page=%d — stopping sweep",
- city_id,
- page_num,
- )
- break
-
- if not lots:
- logger.info(
- "domklik: empty page city_id=%d %s page=%d — stopping sweep",
- city_id,
- room_label,
- page_num,
- )
- break
-
- # Дедупликация по source_id (кросс-sweep и кросс-страница)
- new_lots: list[ScrapedLot] = []
- for lot in lots:
- key = lot.source_id or lot.source_url
- if key not in seen_ids:
- seen_ids.add(key)
- new_lots.append(lot)
-
- all_lots.extend(new_lots)
- logger.info(
- "domklik: city_id=%d %s page=%d -> %d new (total %d)",
- city_id,
- room_label,
- page_num,
- len(new_lots),
- len(all_lots),
+ try:
+ await self._sweep_bucket(
+ fetcher=fetcher,
+ rooms=bucket,
+ price_gte=None,
+ price_lte=None,
+ seen_ids=seen_ids,
+ out_lots=out_lots,
+ pages=pages,
)
-
- # Пауза между страницами (anti-DataDome)
- if page_num < pages:
- await self.sleep_between_requests()
+ except DomClickBlockedError:
+ self.blocked = True
+ logger.error(
+ "domklik: QRATOR block during rooms=%r — aborting all buckets",
+ bucket,
+ )
+ break
+ except (ValueError, TypeError) as exc:
+ # Defensive: bucket-level ошибка не должна убивать весь sweep.
+ # _count/_paginate уже глотают эти ошибки per-fetch (fetch_errors++),
+ # но если что-то всё же всплыло — переходим к следующему бакету.
+ self.fetch_errors += 1
+ logger.warning(
+ "domklik: bucket rooms=%r failed (%s) — skipping to next bucket",
+ bucket,
+ exc,
+ exc_info=True,
+ )
+ continue
logger.info(
- "domklik: fetch_city done city_id=%d total=%d parse_failures=%d",
+ "domklik: fetch_city done city_id=%d total=%d "
+ "parse_failures=%d geo_filtered=%d fetch_errors=%d blocked=%s",
city_id,
- len(all_lots),
+ len(out_lots),
self.parse_failures,
+ self.geo_filtered,
+ self.fetch_errors,
+ self.blocked,
)
- return all_lots
+ return out_lots
- # ── URL builder ───────────────────────────────────────────────────────────
+ # ── Internal sweep helpers ────────────────────────────────────────────────
- def _build_url(self, city_id: int, rooms: int | None, page: int) -> str:
- """Строит URL SERP DomClick."""
- url = (
- f"{self.base_url}/search"
- f"?deal_type=sale&category=living&offer_type=flat"
- f"&city_id={city_id}"
- )
- if rooms is not None:
- url += f"&rooms={rooms}"
- url += f"&p={page}"
- return url
+ async def _count(
+ self,
+ fetcher: Any,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ ) -> int:
+ """Запрашивает snippetsCount для данного бакета (rooms + price range).
- # ── HTML parsing ──────────────────────────────────────────────────────────
-
- def _parse_html(self, html: str) -> list[ScrapedLot]:
- """Парсим карточки из HTML через selectolax.
-
- Селектор: `a[href*="/card/"]` с паттерном `/card/sale__flat__`.
+ DomClickBlockedError пробрасывается наверх (abort sweep). Прочие ошибки
+ извлечения JSON (truncated/garbled/bad shape) → fetch_errors++ и return 0
+ (бакет пропускается, sweep продолжается).
"""
- if _is_blocked_page(html):
- logger.warning("domklik: DataDome block page detected, 0 cards returned")
- raise DomClickBlockedError("DomClick returned DataDome block page")
- tree = HTMLParser(html)
- card_links = tree.css('a[href*="/card/"]')
+ url = _build_count_url(rooms, price_gte, price_lte)
+ logger.debug("domklik: count url=%s", url)
+ html = await fetcher.fetch(url)
+ try:
+ data = _extract_json(html)
+ except DomClickBlockedError:
+ raise
+ except (ValueError, TypeError, AttributeError):
+ self.fetch_errors += 1
+ logger.warning(
+ "domklik: _count JSON extract failed rooms=%r price=[%s,%s] — skip bucket",
+ rooms,
+ price_gte,
+ price_lte,
+ exc_info=True,
+ )
+ return 0
+ # {"result": null} → None, {"snippetsCount": null} → None: harden обе.
+ res = data.get("result") or {}
+ raw = res.get("snippetsCount")
+ return int(raw) if raw else 0
- seen_hrefs: set[str] = set()
- lots: list[ScrapedLot] = []
+ async def _sweep_bucket(
+ self,
+ fetcher: Any,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ seen_ids: set[str],
+ out_lots: list[ScrapedLot],
+ pages: int,
+ ) -> None:
+ """Рекурсивный sweep бакета (rooms, price_gte, price_lte).
- for link in card_links:
- href = link.attributes.get("href", "")
- # Только карточки вторичного жилья
- if "sale__flat__" not in href:
- continue
- if href in seen_hrefs:
- continue
- seen_hrefs.add(href)
+ Если snippetsCount > OFFSET_CAP — делим диапазон цен пополам и
+ рекурсируем в каждую половину. Остановка рекурсии:
+ - span <= MIN_PRICE_SPAN → пагинируем как есть (с предупреждением о truncation)
+ - snippetsCount == 0 → пропускаем
+ - snippetsCount <= OFFSET_CAP → пагинируем
- lot = self._card_link_to_lot(link, href)
- if lot is not None:
- lots.append(lot)
+ Raises:
+ DomClickBlockedError: если QRATOR-блок — propagate наверх.
+ """
+ count = await self._count(fetcher, rooms, price_gte, price_lte)
+ if count == 0:
+ return
- return lots
+ if count > OFFSET_CAP:
+ _gte = price_gte if price_gte is not None else 0
+ _lte = price_lte if price_lte is not None else LTE_MAX
+ span = _lte - _gte
+ if span <= MIN_PRICE_SPAN:
+ logger.warning(
+ "domklik: rooms=%r price=[%s,%s] count=%d > cap=%d "
+ "but span=%d <= min=%d — paginating as-is (bucket truncated at %d)",
+ rooms,
+ price_gte,
+ price_lte,
+ count,
+ OFFSET_CAP,
+ span,
+ MIN_PRICE_SPAN,
+ OFFSET_CAP,
+ )
+ await self._paginate(
+ fetcher, rooms, price_gte, price_lte, seen_ids, out_lots, pages
+ )
+ return
+ mid = (_gte + _lte) // 2
+ logger.debug(
+ "domklik: rooms=%r count=%d > cap=%d — price-split [%d,%d] → [%d,%d]+[%d,%d]",
+ rooms,
+ count,
+ OFFSET_CAP,
+ _gte,
+ _lte,
+ _gte,
+ mid,
+ mid + 1,
+ _lte,
+ )
+ await self._sweep_bucket(fetcher, rooms, _gte, mid, seen_ids, out_lots, pages)
+ await self._sweep_bucket(fetcher, rooms, mid + 1, _lte, seen_ids, out_lots, pages)
+ else:
+ await self._paginate(fetcher, rooms, price_gte, price_lte, seen_ids, out_lots, pages)
- def _card_link_to_lot(self, link: Node, href: str) -> ScrapedLot | None:
- """Парсинг одной карточки-ссылки -> ScrapedLot.
+ async def _paginate(
+ self,
+ fetcher: Any,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ seen_ids: set[str],
+ out_lots: list[ScrapedLot],
+ pages: int,
+ ) -> None:
+ """Пагинирует один бакет (rooms, price range) до исчерпания или cap.
- DomClick SERP оборачивает карточку в `` — вся
- информация (title, цена, адрес) внутри этого элемента.
+ DomClickBlockedError пробрасывается наверх (abort sweep). Прочие ошибки
+ извлечения JSON (truncated/garbled/bad shape) → fetch_errors++ и break
+ (трактуем как конец бакета — уже собранные lots сохраняются).
- Цену извлекаем из отдельных дочерних элементов (не из объединённого
- card_text) чтобы исключить слипание числа дома с ценой.
+ Raises:
+ DomClickBlockedError: propagate из _extract_json при QRATOR-блоке.
+ """
+ force_rooms = 0 if rooms == "st" else None
+ page_idx = 0
+ while page_idx < pages:
+ offset = page_idx * PAGE_SIZE
+ if offset >= OFFSET_CAP:
+ break
+ url = _build_offers_url(rooms, price_gte, price_lte, offset)
+ logger.debug("domklik: offers url=%s", url)
+ html = await fetcher.fetch(url)
+ try:
+ data = _extract_json(html)
+ except DomClickBlockedError:
+ raise
+ except (ValueError, TypeError, AttributeError):
+ self.fetch_errors += 1
+ logger.warning(
+ "domklik: _paginate JSON extract failed rooms=%r offset=%d "
+ "— ending bucket (lots so far preserved)",
+ rooms,
+ offset,
+ exc_info=True,
+ )
+ break
+
+ # {"result": null} → None; harden до .get("items").
+ items: list[dict[str, Any]] = (data.get("result") or {}).get("items") or []
+ if not items:
+ break
+
+ for item in items:
+ lot = self._map_item(item, force_rooms=force_rooms)
+ if lot is None:
+ continue
+ if not self._is_geo_ok(item):
+ self.geo_filtered += 1
+ continue
+ key = lot.source_id or lot.source_url
+ if key in seen_ids:
+ continue
+ seen_ids.add(key)
+ out_lots.append(lot)
+
+ page_idx += 1
+ if page_idx < pages and len(items) == PAGE_SIZE:
+ await self.sleep_between_requests()
+ elif not items or len(items) < PAGE_SIZE:
+ break
+
+ def _is_geo_ok(self, item: dict[str, Any]) -> bool:
+ """Гео-гард: пропускает только листинги ЕКБ в bbox.
+
+ aids=20561 даёт чистый ЕКБ, но гард оставляем как defensive проверку.
+ """
+ region = item.get("offerRegionName", "")
+ if region != _EKB_REGION_NAME:
+ return False
+ loc = item.get("location") or {}
+ lat = loc.get("lat")
+ lon = loc.get("lon")
+ if lat is None or lon is None:
+ return False
+ return (
+ _EKB_LAT_MIN <= float(lat) <= _EKB_LAT_MAX
+ and _EKB_LON_MIN <= float(lon) <= _EKB_LON_MAX
+ )
+
+ def _map_item(
+ self, item: dict[str, Any], *, force_rooms: int | None = None
+ ) -> ScrapedLot | None:
+ """Маппинг offer-item из BFF API → ScrapedLot.
+
+ Возвращает None если price <= 0 или при ошибке парсинга.
"""
try:
- source_id = _extract_source_id(href)
- source_url = urljoin(self.base_url, href)
-
- # Суммарный текст — для rooms/area/floor (эти поля не подвержены
- # проблеме слипания, т.к. используют специфичные маркеры: «м²», «эт.»)
- card_text = link.text(strip=True)
- if not card_text:
+ price = item.get("price", 0) or 0
+ if price <= 0:
return None
- rooms = _extract_rooms(card_text)
- area = _extract_area(card_text)
- floor, total_floors = _extract_floor(card_text)
+ item_id = item.get("id")
+ source_id = str(item_id) if item_id is not None else None
+ source_url: str = item.get("path", "") or ""
- # Цена: ищем в каждом дочернем элементе отдельно чтобы не слипались
- # числа дома с ценой при конкатенации card_text
- price = self._extract_price_from_children(link)
- if not price or price <= 0:
- return None
+ loc = item.get("location") or {}
+ lat: float | None = loc.get("lat")
+ lon: float | None = loc.get("lon")
- address = self._extract_address(link)
+ address_obj = item.get("address") or {}
+ address: str | None = address_obj.get("displayName")
+
+ # 0 — sentinel «неизвестно» для area/floor/total_floors/buildYear
+ # (DomClick эмитит 0 для under-construction / unknown) → None.
+ obj_info = item.get("objectInfo") or {}
+ area_raw = obj_info.get("area")
+ area_m2: float | None = float(area_raw) if area_raw else None
+ floor_raw = obj_info.get("floor")
+ floor: int | None = int(floor_raw) if floor_raw else None
+
+ house = item.get("house") or {}
+ floors_raw = house.get("floors")
+ total_floors: int | None = int(floors_raw) if floors_raw else None
+ year_raw = house.get("buildYear")
+ year_built: int | None = int(year_raw) if year_raw else None
+
+ # rooms: 0 — ВАЛИДНОЕ значение (студия), поэтому проверка is not None,
+ # а не truthy. force_rooms=0 (st-бакет) перебивает objectInfo.
+ if force_rooms is not None:
+ rooms: int | None = force_rooms
+ else:
+ rooms_raw = obj_info.get("rooms")
+ rooms = int(rooms_raw) if rooms_raw is not None else None
+
+ square_price_raw = item.get("squarePrice")
+ price_per_m2: int | None = int(square_price_raw) if square_price_raw else None
+ if price_per_m2 is None and area_m2 and area_m2 > 0:
+ price_per_m2 = int(price / area_m2)
+
+ flat_complex = item.get("flatComplex") or {}
+ raw_payload: dict[str, Any] = {
+ "isRosreestrApproved": item.get("isRosreestrApproved"),
+ "squarePrice": square_price_raw,
+ "lastPriceHistoryState": item.get("lastPriceHistoryState"),
+ "flatComplex": {
+ "name": flat_complex.get("name"),
+ "id": flat_complex.get("id"),
+ "slug": flat_complex.get("slug"),
+ }
+ if flat_complex
+ else None,
+ "updatedDate": item.get("updatedDate"),
+ }
+
+ publish_date = _parse_publish_date(item.get("publishedDate"))
return ScrapedLot(
source="domklik",
source_url=source_url,
source_id=source_id,
address=address,
- lat=None, # DomClick SERP координаты не отдаёт
- lon=None,
+ lat=lat,
+ lon=lon,
rooms=rooms,
- area_m2=area,
+ area_m2=area_m2,
floor=floor,
total_floors=total_floors,
- price_rub=price,
+ year_built=year_built,
+ price_rub=int(price),
+ price_per_m2=price_per_m2,
listing_segment="vtorichka",
- raw_payload={"card_text": card_text[:500]},
+ publish_date=publish_date,
+ raw_payload=raw_payload,
)
except Exception:
self.parse_failures += 1
logger.warning(
- "domclick _card_link_to_lot: parse failed href=%r (parse_failures=%d)",
- href,
+ "domklik: _map_item failed for item id=%r (parse_failures=%d)",
+ item.get("id"),
self.parse_failures,
exc_info=True,
)
return None
- def _extract_price_from_children(self, link: Node) -> int | None:
- """Ищем цену в дочерних элементах карточки по символу рубля.
-
- Итерируем по всем потомкам: первый элемент с рублёвым символом
- в тексте — источник цены.
- """
- for selector in ("span", "div", "p", "strong", "b"):
- for el in link.css(selector):
- text = el.text(strip=True)
- price = _extract_price_from_element(text)
- if price:
- return price
- # Fallback: суммарный текст карточки (если структура нестандартная)
- return _extract_price_from_element(link.text(strip=True))
-
- def _extract_address(self, link: Node) -> str | None:
- """Эвристика извлечения адреса из DOM карточки.
-
- DomClick помещает адрес в отдельный текстовый блок внутри карточки.
- Обходим вложенные элементы и ищем первый текст с адресными ключевыми
- словами, пропуская строки с площадью/этажом/ценой.
-
- Возвращает None если адрес не найден.
- """
- for selector in ("span", "p", "div"):
- for el in link.css(selector):
- text = el.text(strip=True)
- if not text or len(text) < 5 or len(text) > 200:
- continue
- # Пропускаем блоки с площадью / этажом / ценой
- if _RE_AREA.search(text) or _RE_FLOOR.search(text):
- continue
- if _RE_PRICE_EL.search(text):
- continue
- if _RE_ADDR_KW.search(text):
- return text
- return None
-
# ── Convenience runner (для Celery tasks) ────────────────────────────────────
@@ -393,14 +588,14 @@ class DomClickScraper(BaseScraper):
async def scrape_domclick_city(
city_id: int,
rooms: list[int] | None = None,
- pages: int = 20,
+ pages: int = 100,
) -> list[ScrapedLot]:
"""Удобная точка входа для вызова из Celery tasks.
Пример::
import asyncio
- lots = asyncio.run(scrape_domclick_city(city_id=4, rooms=[1, 2, 3]))
+ lots = asyncio.run(scrape_domclick_city(city_id=4, rooms=None))
"""
async with DomClickScraper() as scraper:
return await scraper.fetch_city(city_id=city_id, rooms=rooms, pages=pages)
diff --git a/tradein-mvp/backend/app/services/scrapers/domclick_exceptions.py b/tradein-mvp/backend/app/services/scrapers/domclick_exceptions.py
index 118adb72..796251cc 100644
--- a/tradein-mvp/backend/app/services/scrapers/domclick_exceptions.py
+++ b/tradein-mvp/backend/app/services/scrapers/domclick_exceptions.py
@@ -2,4 +2,12 @@
class DomClickBlockedError(Exception):
- """DomClick вернул DataDome block-страницу (HTTP 200 + block HTML)."""
+ """DomClick BFF вернул QRATOR block-страницу (HTTP 200 + block HTML).
+
+ QRATOR (qrator.net) — WAF/DDoS-защита domclick.ru. Блокирует datacenter-IP
+ и возвращает HTML с маркерами: "qrator", "bot_mitigation", "система защиты",
+ "403 | домклик", "captcha", "access denied".
+
+ Обходится через shared mobile proxy (BrowserFetcher(source="domclick") →
+ generic provider → мобильный egress).
+ """
diff --git a/tradein-mvp/backend/data/sql/138_domclick_bff_rewrite_schedule.sql b/tradein-mvp/backend/data/sql/138_domclick_bff_rewrite_schedule.sql
new file mode 100644
index 00000000..5e053e34
--- /dev/null
+++ b/tradein-mvp/backend/data/sql/138_domclick_bff_rewrite_schedule.sql
@@ -0,0 +1,33 @@
+-- 138_domclick_bff_rewrite_schedule.sql
+--
+-- Обновляет параметры расписания domclick_city_sweep после переписки скрейпера
+-- на BFF JSON API (https://bff-search-web.domclick.ru/api/offers/v1).
+--
+-- DORMANT: enabled остаётся false до тех пор пока оператор не верифицирует
+-- прод-smoke нового BFF-скрейпера вручную:
+-- UPDATE scrape_schedules SET enabled = true WHERE source = 'domclick_city_sweep';
+--
+-- Ключевые изменения относительно 122_enable_domclick_city_sweep.sql:
+-- - pages_per_anchor поднят до 100 (каждый бакет до 2000 листингов,
+-- rooms=2 нуждается в price-split → реально ≈330 страниц)
+-- - rooms убран из default_params — скрейпер всегда обходит все ROOM_BUCKETS
+-- (st/1/2/3/4/5+) внутри независимо от этого параметра
+-- - request_delay_sec оставлен 6 (как в 122; BFF JSON легче HTML-рендера)
+--
+-- Зависимости: 052_scrape_schedules.sql (таблица), 122_enable_domclick_city_sweep.sql
+-- (строка должна существовать — INSERT ON CONFLICT DO NOTHING в 122).
+-- Idempotent: UPDATE не упадёт если строка уже обновлена (runs повторно безопасно).
+
+BEGIN;
+
+UPDATE scrape_schedules
+ SET enabled = false,
+ default_params = jsonb_build_object(
+ 'city_id', 4,
+ 'pages_per_anchor', 100,
+ 'request_delay_sec', 6
+ ),
+ updated_at = now()
+ WHERE source = 'domclick_city_sweep';
+
+COMMIT;
diff --git a/tradein-mvp/backend/tests/scrapers/test_domclick.py b/tradein-mvp/backend/tests/scrapers/test_domclick.py
index 04d0557d..4653d796 100644
--- a/tradein-mvp/backend/tests/scrapers/test_domclick.py
+++ b/tradein-mvp/backend/tests/scrapers/test_domclick.py
@@ -1,252 +1,526 @@
-"""Unit-тесты для DomClick scraper (#796).
+"""Unit-тесты для DomClick BFF scraper (#1968).
Тестируем:
-- Парсинг title-паттерна (rooms/area/floor) из текста карточки
-- Парсинг цены из отдельного DOM-элемента
-- Извлечение source_id из href
-- Полный цикл _parse_html -> list[ScrapedLot] на mocked HTML
+- _extract_json: bare + -wrapped → dict; QRATOR-маркер → DomClickBlockedError
+- _build_offers_url / _build_count_url: корректные параметры, "5+" → "5%2B",
+ offers имеет offset/limit, count — нет
+- _map_item: маппинг realistic offer dict → ScrapedLot; price=0 → None; studio
+- _is_geo_ok: гео-гард по bbox + offerRegionName
+- _sweep_bucket: price-split при count > OFFSET_CAP
+- DomClickScraper: source/name, fetch_around raises NotImplementedError
"""
from __future__ import annotations
import asyncio
+from typing import Any
import pytest
from app.services.scrapers.domclick import (
+ LTE_MAX,
+ OFFSET_CAP,
DomClickScraper,
- _extract_area,
- _extract_floor,
- _extract_price_from_element,
- _extract_rooms,
- _extract_source_id,
+ _build_count_url,
+ _build_offers_url,
+ _extract_json,
)
from app.services.scrapers.domclick_exceptions import DomClickBlockedError
-# ── Rooms / studio ───────────────────────────────────────────────────────────
+# ── _extract_json ─────────────────────────────────────────────────────────────
-@pytest.mark.parametrize(
- "text, expected",
- [
- ("2-комн. квартира 53,5 м² 5/15 эт.", 2),
- ("1-к. квартира 32,1 м² 3/9 эт.", 1),
- ("3-комн. кв. 78 м² 10/12 эт.", 3),
- ("4-комн. квартира 95 м² 2/5 эт.", 4),
- ("студия 24 м² 1/10 эт.", 0),
- ("Студия 30,5 м² 8/22 эт.", 0),
- ("Нет комнат — просто текст", None),
- ],
-)
-def test_extract_rooms(text: str, expected: int | None) -> None:
- assert _extract_rooms(text) == expected
+def test_extract_json_bare_body() -> None:
+ """Bare JSON body (без HTML-обёртки) корректно парсится."""
+ html = '{"result": {"items": [], "snippetsCount": 42}}'
+ data = _extract_json(html)
+ assert data["result"]["snippetsCount"] == 42
-# ── Area ─────────────────────────────────────────────────────────────────────
+def test_extract_json_pre_wrapped() -> None:
+ """JSON в -теге корректно парсится."""
+ html = (
+ "DomClick "
+ '{"result": {"items": [{"id": 1}]}}'
+ )
+ data = _extract_json(html)
+ assert data["result"]["items"][0]["id"] == 1
-@pytest.mark.parametrize(
- "text, expected",
- [
- ("2-комн. квартира 53,5 м² 5/15 эт.", 53.5),
- ("студия 24 м² 1/10 эт.", 24.0),
- ("78м2 на этаже", 78.0),
- ("площадь 101.7 м²", 101.7),
- ("Нет площади", None),
- ],
-)
-def test_extract_area(text: str, expected: float | None) -> None:
- assert _extract_area(text) == expected
+def test_extract_json_qrator_marker_raises() -> None:
+ """HTML с QRATOR-маркером вызывает DomClickBlockedError."""
+ blocked_html = (
+ "QRATOR protection "
+ "Access denied by bot_mitigation system"
+ )
+ with pytest.raises(DomClickBlockedError):
+ _extract_json(blocked_html)
-# ── Floor ─────────────────────────────────────────────────────────────────────
+def test_extract_json_captcha_raises() -> None:
+ """HTML с captcha-маркером вызывает DomClickBlockedError."""
+ html = "Please solve the captcha to continue"
+ with pytest.raises(DomClickBlockedError):
+ _extract_json(html)
-@pytest.mark.parametrize(
- "text, floor, total",
- [
- ("2-комн. квартира 53,5 м² 5/15 эт.", 5, 15),
- ("студия 24 м² 1/10 эт.", 1, 10),
- ("12/24 эт.", 12, 24),
- ("нет этажа", None, None),
- ],
-)
-def test_extract_floor(text: str, floor: int | None, total: int | None) -> None:
- assert _extract_floor(text) == (floor, total)
+def test_extract_json_no_json_raises() -> None:
+ """HTML без JSON-объекта вызывает ValueError."""
+ with pytest.raises(ValueError, match="No JSON"):
+ _extract_json("plain text")
-# ── Price (per-element) ───────────────────────────────────────────────────────
-# Цена парсится из отдельного DOM-элемента (не из суммарного card_text),
-# поэтому числа адреса не загрязняют парсинг цены.
+# ── _build_offers_url ────────────────────────────────────────────────────────
-@pytest.mark.parametrize(
- "text, expected",
- [
- ("5 200 000 ₽", 5_200_000),
- ("12 345 678 ₽", 12_345_678),
- ("3 990 000 руб.", 3_990_000),
- ("от 4 500 000 ₽", 4_500_000),
- ("без цены", None),
- ("0 ₽", None),
- ],
-)
-def test_extract_price_from_element(text: str, expected: int | None) -> None:
- assert _extract_price_from_element(text) == expected
+def test_build_offers_url_basic_params() -> None:
+ url = _build_offers_url("1", None, None, 0)
+ assert "deal_type=sale" in url
+ assert "category=living" in url
+ assert "offer_type=flat" in url
+ assert "rooms=1" in url
+ assert "offset=0" in url
+ assert "limit=20" in url
+ assert "sale_price__gte" not in url
+ assert "sale_price__lte" not in url
-# ── source_id from href ───────────────────────────────────────────────────────
+def test_build_offers_url_5plus_encoded() -> None:
+ """rooms='5+' должен кодироваться как '5%2B' в URL."""
+ url = _build_offers_url("5+", None, None, 0)
+ assert "5%2B" in url
+ # literal '+' в URL не должно быть для значения rooms
+ assert "rooms=5+" not in url
-@pytest.mark.parametrize(
- "href, expected",
- [
- ("/card/sale__flat__2075671636", "2075671636"),
- ("https://domclick.ru/card/sale__flat__123456789", "123456789"),
- ("/card/sale__flat__1", "1"),
- ("/card/something_else", None),
- ("", None),
- ],
-)
-def test_extract_source_id(href: str, expected: str | None) -> None:
- assert _extract_source_id(href) == expected
+def test_build_offers_url_with_price_range() -> None:
+ url = _build_offers_url("2", 3_000_000, 6_000_000, 40)
+ assert "sale_price__gte=3000000" in url
+ assert "sale_price__lte=6000000" in url
+ assert "offset=40" in url
-# ── _parse_html -> list[ScrapedLot] ──────────────────────────────────────────
-# Цена в каждой карточке вынесена в отдельный с символом рубля,
-# чтобы не сливаться с адресным номером дома при конкатенации card_text.
-
-_MOCK_HTML = """\
-
-
-
-
-
- 2-комн. квартира 53,5 м² 5/15 эт.
- ул. Малышева, 1
- 5 200 000 ₽
-
-
-
-
- Студия 28 м² 3/10 эт.
- пр-т Ленина, 50
- 3 100 000 ₽
-
-
-
-
- 1-комн. квартира 32 м² 2/9 эт.
-
-
-
-
- что-то другое
-
-
-
-
- 2-комн. квартира 53,5 м² 5/15 эт.
- 5 200 000 ₽
-
-
-
-"""
+def test_build_offers_url_ekb_guid_present() -> None:
+ url = _build_offers_url("3", None, None, 0)
+ assert "0d475b79-88de-4054-818c-37d8f9d0d440" in url
+ assert "aids=20561" in url
-def test_parse_html_returns_lots() -> None:
- scraper = DomClickScraper()
- lots = scraper._parse_html(_MOCK_HTML)
-
- # Карточки 1 и 2 парсятся; карточка 3 (без цены) отфильтрована; дубль — дедуплицирован
- assert len(lots) == 2
+def test_build_offers_url_bff_host() -> None:
+ url = _build_offers_url("1", None, None, 0)
+ assert url.startswith("https://bff-search-web.domclick.ru/api/offers/v1?")
-def test_parse_html_card1_fields() -> None:
- scraper = DomClickScraper()
- lots = scraper._parse_html(_MOCK_HTML)
-
- card1 = next(lot for lot in lots if lot.source_id == "2075671636")
- assert card1.source == "domklik"
- assert card1.source_url == "https://domclick.ru/card/sale__flat__2075671636"
- assert card1.rooms == 2
- assert card1.area_m2 == 53.5
- assert card1.floor == 5
- assert card1.total_floors == 15
- assert card1.price_rub == 5_200_000
- assert card1.lat is None
- assert card1.lon is None
- assert card1.listing_segment == "vtorichka"
+# ── _build_count_url ─────────────────────────────────────────────────────────
-def test_parse_html_studio() -> None:
- scraper = DomClickScraper()
- lots = scraper._parse_html(_MOCK_HTML)
-
- studio = next(lot for lot in lots if lot.source_id == "1111111111")
- assert studio.rooms == 0 # студия
- assert studio.area_m2 == 28.0
- assert studio.price_rub == 3_100_000
+def test_build_count_url_no_offset_limit() -> None:
+ """count url не должен содержать offset и limit."""
+ url = _build_count_url("2", None, None)
+ assert "offset" not in url
+ assert "limit" not in url
-def test_parse_html_no_price_filtered() -> None:
- scraper = DomClickScraper()
- lots = scraper._parse_html(_MOCK_HTML)
-
- source_ids = {lot.source_id for lot in lots}
- assert "9999999999" not in source_ids
+def test_build_count_url_5plus_encoded() -> None:
+ url = _build_count_url("5+", None, None)
+ assert "5%2B" in url
+ assert "rooms=5+" not in url
-def test_parse_html_dedup_same_href() -> None:
- """Дубликат href на одной странице должен давать одну карточку."""
- scraper = DomClickScraper()
- lots = scraper._parse_html(_MOCK_HTML)
+def test_build_count_url_with_price() -> None:
+ url = _build_count_url("1", 1_000_000, 4_000_000)
+ assert "sale_price__gte=1000000" in url
+ assert "sale_price__lte=4000000" in url
- ids_2075 = [lot for lot in lots if lot.source_id == "2075671636"]
- assert len(ids_2075) == 1
+
+def test_build_count_url_bff_host() -> None:
+ url = _build_count_url("1", None, None)
+ assert url.startswith("https://bff-search-web.domclick.ru/api/offers/count/v1?")
+
+
+# ── _map_item → ScrapedLot ────────────────────────────────────────────────────
+
+_REALISTIC_ITEM: dict[str, Any] = {
+ "id": 2075671636,
+ "path": "https://domclick.ru/card/sale__flat__2075671636",
+ "location": {"lat": 56.838, "lon": 60.612},
+ "address": {"displayName": "Екатеринбург, улица Малышева, 1"},
+ "objectInfo": {"area": 53.5, "rooms": 2, "floor": 5, "isApartment": False},
+ "house": {"floors": 15, "buildYear": 2003},
+ "price": 5_200_000,
+ "squarePrice": 97196,
+ "flatComplex": {"id": 12345, "name": "ЖК Тест", "slug": "zhk-test"},
+ "isRosreestrApproved": True,
+ "publishedDate": "2026-06-01T10:00:00+05:00",
+ "updatedDate": "2026-06-15T12:00:00+05:00",
+ "lastPriceHistoryState": {"direction": "DECREASED"},
+ "offerRegionName": "Екатеринбург",
+}
+
+
+def test_map_item_basic_fields() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ lot = scraper._map_item(_REALISTIC_ITEM)
+ assert lot is not None
+ assert lot.source == "domklik"
+ assert lot.source_id == "2075671636"
+ assert lot.source_url == "https://domclick.ru/card/sale__flat__2075671636"
+ assert lot.lat == pytest.approx(56.838)
+ assert lot.lon == pytest.approx(60.612)
+ assert lot.address == "Екатеринбург, улица Малышева, 1"
+ assert lot.rooms == 2
+ assert lot.area_m2 == pytest.approx(53.5)
+ assert lot.floor == 5
+ assert lot.total_floors == 15
+ assert lot.year_built == 2003
+ assert lot.price_rub == 5_200_000
+ assert lot.price_per_m2 == 97196
+ assert lot.listing_segment == "vtorichka"
+
+
+def test_map_item_publish_date() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ from datetime import date
+
+ lot = scraper._map_item(_REALISTIC_ITEM)
+ assert lot is not None
+ assert lot.publish_date == date(2026, 6, 1)
+
+
+def test_map_item_raw_payload() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ lot = scraper._map_item(_REALISTIC_ITEM)
+ assert lot is not None
+ assert lot.raw_payload is not None
+ assert lot.raw_payload["isRosreestrApproved"] is True
+ assert lot.raw_payload["flatComplex"]["name"] == "ЖК Тест"
+ assert lot.raw_payload["lastPriceHistoryState"]["direction"] == "DECREASED"
+
+
+def test_map_item_studio_force_rooms_zero() -> None:
+ """force_rooms=0 (студия-бакет) перебивает objectInfo.rooms."""
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ item = {**_REALISTIC_ITEM, "objectInfo": {"area": 28.0, "rooms": 1, "floor": 3}}
+ lot = scraper._map_item(item, force_rooms=0)
+ assert lot is not None
+ assert lot.rooms == 0
+
+
+def test_map_item_zero_price_returns_none() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ item = {**_REALISTIC_ITEM, "price": 0}
+ assert scraper._map_item(item) is None
+
+
+def test_map_item_zero_sentinels_become_none() -> None:
+ """buildYear/area/floor/total_floors == 0 (sentinel «неизвестно») → None.
+
+ rooms=0 НЕ затрагивается (валидная студия), но здесь force_rooms не задан и
+ objectInfo.rooms=2, так что rooms остаётся 2.
+ """
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ item = {
+ **_REALISTIC_ITEM,
+ "objectInfo": {"area": 0, "rooms": 2, "floor": 0},
+ "house": {"floors": 0, "buildYear": 0},
+ }
+ lot = scraper._map_item(item)
+ assert lot is not None
+ assert lot.area_m2 is None
+ assert lot.floor is None
+ assert lot.total_floors is None
+ assert lot.year_built is None
+ assert lot.rooms == 2 # rooms 0-sentinel НЕ применяется
+
+
+def test_map_item_rooms_zero_studio_preserved() -> None:
+ """force_rooms=0 даёт rooms=0 (студия) — 0 здесь валиден, не sentinel."""
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ item = {**_REALISTIC_ITEM, "objectInfo": {"area": 24.0, "rooms": 0, "floor": 2}}
+ lot = scraper._map_item(item, force_rooms=0)
+ assert lot is not None
+ assert lot.rooms == 0
+
+
+def test_map_item_price_per_m2_fallback() -> None:
+ """Если squarePrice отсутствует, price_per_m2 вычисляется из price / area_m2."""
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ item = {**_REALISTIC_ITEM, "squarePrice": None}
+ lot = scraper._map_item(item)
+ assert lot is not None
+ assert lot.price_per_m2 == int(5_200_000 / 53.5)
+
+
+# ── _is_geo_ok — гео-гард ────────────────────────────────────────────────────
+
+
+def test_is_geo_ok_valid_ekb_item() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ assert scraper._is_geo_ok(_REALISTIC_ITEM) is True
+
+
+def test_is_geo_ok_wrong_region_name() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ item = {**_REALISTIC_ITEM, "offerRegionName": "Москва"}
+ assert scraper._is_geo_ok(item) is False
+
+
+def test_is_geo_ok_out_of_bbox_lat() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ item = {**_REALISTIC_ITEM, "location": {"lat": 55.5, "lon": 60.6}}
+ assert scraper._is_geo_ok(item) is False
+
+
+def test_is_geo_ok_out_of_bbox_lon() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ item = {**_REALISTIC_ITEM, "location": {"lat": 56.8, "lon": 61.5}}
+ assert scraper._is_geo_ok(item) is False
+
+
+def test_is_geo_ok_missing_coords() -> None:
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ item = {**_REALISTIC_ITEM, "location": {"lat": None, "lon": None}}
+ assert scraper._is_geo_ok(item) is False
+
+
+# ── _sweep_bucket price-split ────────────────────────────────────────────────
+
+
+async def test_sweep_bucket_price_split_boundaries(monkeypatch: pytest.MonkeyPatch) -> None:
+ """_sweep_bucket: top-level unbounded split даёт contiguous non-overlapping ranges.
+
+ rooms="2" count>cap один раз, потом ≤cap → ровно 2 leaf-бакета, покрывающих
+ [0, LTE_MAX] без перекрытия и без зазора: [(0, mid), (mid+1, LTE_MAX)].
+ """
+ call_count: dict[str, int] = {"n": 0}
+ paginate_calls: list[tuple[str, int | None, int | None]] = []
+
+ async def fake_count(
+ self: DomClickScraper,
+ fetcher: object,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ ) -> int:
+ call_count["n"] += 1
+ # Первый вызов (unbounded) → over cap → price-split; остальные → под cap
+ return OFFSET_CAP + 1 if call_count["n"] == 1 else 1
+
+ async def fake_paginate(
+ self: DomClickScraper,
+ fetcher: object,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ seen_ids: set[str],
+ out_lots: list,
+ pages: int,
+ ) -> None:
+ paginate_calls.append((rooms, price_gte, price_lte))
+
+ monkeypatch.setattr(DomClickScraper, "_count", fake_count)
+ monkeypatch.setattr(DomClickScraper, "_paginate", fake_paginate)
+
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ scraper.geo_filtered = 0
+ scraper.blocked = False
+ scraper.fetch_errors = 0
+ scraper.request_delay_sec = 0.0
+
+ await scraper._sweep_bucket(
+ fetcher=object(),
+ rooms="2",
+ price_gte=None,
+ price_lte=None,
+ seen_ids=set(),
+ out_lots=[],
+ pages=10,
+ )
+
+ # 1 count call (over cap) + 2 recursive count calls (≤ cap) = 3 total
+ assert call_count["n"] == 3
+ # Both sub-buckets paginated, с точными границами split'а unbounded-диапазона.
+ mid = (0 + LTE_MAX) // 2
+ assert paginate_calls == [("2", 0, mid), ("2", mid + 1, LTE_MAX)]
+ # Sanity: contiguous (нет зазора) + non-overlapping + покрывают весь хвост.
+ assert paginate_calls[0][2] + 1 == paginate_calls[1][1] # mid + 1
+ assert paginate_calls[0][1] == 0
+ assert paginate_calls[1][2] == LTE_MAX
+
+
+async def test_sweep_bucket_zero_count_no_paginate(monkeypatch: pytest.MonkeyPatch) -> None:
+ """_sweep_bucket при count==0 не вызывает _paginate."""
+ paginate_called = False
+
+ async def fake_count(self: DomClickScraper, *_args: object, **_kwargs: object) -> int:
+ return 0
+
+ async def fake_paginate(self: DomClickScraper, *_args: object, **_kwargs: object) -> None:
+ nonlocal paginate_called
+ paginate_called = True
+
+ monkeypatch.setattr(DomClickScraper, "_count", fake_count)
+ monkeypatch.setattr(DomClickScraper, "_paginate", fake_paginate)
+
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ scraper.geo_filtered = 0
+ scraper.blocked = False
+ scraper.fetch_errors = 0
+ scraper.request_delay_sec = 0.0
+
+ await scraper._sweep_bucket(
+ fetcher=object(),
+ rooms="3",
+ price_gte=None,
+ price_lte=None,
+ seen_ids=set(),
+ out_lots=[],
+ pages=5,
+ )
+ assert paginate_called is False
+
+
+# ── _paginate resilience — mid-bucket parse error ────────────────────────────
+
+
+class _FakeFetcher:
+ """Стаб BrowserFetcher: возвращает заранее заданные ответы по порядку вызовов."""
+
+ def __init__(self, responses: list[str]) -> None:
+ self._responses = responses
+ self._idx = 0
+
+ async def fetch(self, _url: str) -> str:
+ resp = self._responses[min(self._idx, len(self._responses) - 1)]
+ self._idx += 1
+ return resp
+
+
+async def test_paginate_mid_bucket_parse_error_preserves_lots() -> None:
+ """Garbled JSON на page 2 → bucket breaks, page-1 lots survive, fetch_errors++.
+
+ Page 1 — валидный JSON с 20 items (PAGE_SIZE) → продолжаем; page 2 — мусор
+ (ValueError из _extract_json) → fetch_errors++ и break, уже собранные lots целы.
+ """
+ import json
+
+ page1_items = [
+ {
+ "id": 1000 + i,
+ "path": f"https://domclick.ru/card/sale__flat__{1000 + i}",
+ "location": {"lat": 56.84, "lon": 60.6},
+ "address": {"displayName": "Екатеринбург, тест"},
+ "objectInfo": {"area": 40.0, "rooms": 1, "floor": 3},
+ "house": {"floors": 9, "buildYear": 2005},
+ "price": 4_000_000 + i,
+ "squarePrice": 100000,
+ "offerRegionName": "Екатеринбург",
+ }
+ for i in range(20)
+ ]
+ page1 = json.dumps({"result": {"items": page1_items}})
+ garbled = "{not valid json at all"
+ fetcher = _FakeFetcher([page1, garbled])
+
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ scraper.geo_filtered = 0
+ scraper.blocked = False
+ scraper.fetch_errors = 0
+ scraper.request_delay_sec = 0.0
+
+ out_lots: list = []
+ await scraper._paginate(
+ fetcher=fetcher,
+ rooms="1",
+ price_gte=None,
+ price_lte=None,
+ seen_ids=set(),
+ out_lots=out_lots,
+ pages=10,
+ )
+
+ assert len(out_lots) == 20 # page-1 lots сохранены
+ assert scraper.fetch_errors == 1 # page-2 garbled посчитан
+
+
+async def test_fetch_city_bucket_error_continues_to_next_bucket(
+ monkeypatch: pytest.MonkeyPatch,
+) -> None:
+ """Ошибка в одном бакете НЕ убивает весь sweep — остальные бакеты отрабатывают."""
+ swept: list[str] = []
+
+ async def fake_sweep_bucket(
+ self: DomClickScraper,
+ fetcher: object,
+ rooms: str,
+ price_gte: int | None,
+ price_lte: int | None,
+ seen_ids: set[str],
+ out_lots: list,
+ pages: int,
+ ) -> None:
+ swept.append(rooms)
+ if rooms == "2":
+ raise ValueError("garbled bucket")
+
+ # Заглушка BrowserFetcher через async context manager
+ class _BFStub:
+ async def __aenter__(self) -> _BFStub:
+ return self
+
+ async def __aexit__(self, *_a: object) -> None:
+ return None
+
+ async def fetch(self, _url: str) -> str:
+ return "{}"
+
+ import app.services.scrapers.browser_fetcher as bf_mod
+
+ monkeypatch.setattr(DomClickScraper, "_sweep_bucket", fake_sweep_bucket)
+ monkeypatch.setattr(bf_mod, "BrowserFetcher", lambda **_k: _BFStub())
+
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ scraper.geo_filtered = 0
+ scraper.blocked = False
+ scraper.fetch_errors = 0
+ scraper.request_delay_sec = 0.0
+
+ lots = await scraper.fetch_city(city_id=4, rooms=None, pages=5)
+
+ # Все 6 бакетов посещены несмотря на ошибку в "2"
+ assert swept == ["st", "1", "2", "3", "4", "5+"]
+ assert scraper.fetch_errors == 1
+ assert scraper.blocked is False
+ assert lots == []
+
+
+# ── DomClickScraper — class attrs ─────────────────────────────────────────────
def test_scraper_source_name() -> None:
- scraper = DomClickScraper()
+ scraper = DomClickScraper.__new__(DomClickScraper)
+ scraper.parse_failures = 0
+ scraper.geo_filtered = 0
+ scraper.blocked = False
+ scraper.request_delay_sec = 0.0
assert scraper.name == "domklik"
assert scraper.source == "domklik"
assert scraper.base_url == "https://domclick.ru"
- # request_delay_sec установлен из get_scraper_delay (DB или fallback 8.0)
- assert scraper.request_delay_sec >= 0.0
def test_fetch_around_raises() -> None:
- scraper = DomClickScraper()
+ scraper = DomClickScraper.__new__(DomClickScraper)
with pytest.raises(NotImplementedError, match="geo-radius"):
asyncio.run(scraper.fetch_around(56.8, 60.6))
-
-
-def test_build_url_no_rooms() -> None:
- scraper = DomClickScraper()
- url = scraper._build_url(city_id=4, rooms=None, page=1)
- assert "city_id=4" in url
- assert "rooms" not in url
- assert "p=1" in url
-
-
-def test_build_url_with_rooms() -> None:
- scraper = DomClickScraper()
- url = scraper._build_url(city_id=4, rooms=2, page=3)
- assert "rooms=2" in url
- assert "p=3" in url
-
-
-def test_parse_failures_counter() -> None:
- """parse_failures счётчик начинается с 0."""
- scraper = DomClickScraper()
- assert scraper.parse_failures == 0
-
-
-def test_blocked_page_raises_domclick_blocked_error() -> None:
- """HTML с datadome в начале вызывает DomClickBlockedError."""
- scraper = DomClickScraper()
- blocked_html = (
- "datadome protection blocked"
- )
- with pytest.raises(DomClickBlockedError):
- scraper._parse_html(blocked_html)
diff --git a/tradein-mvp/backend/tests/test_domclick_sweep.py b/tradein-mvp/backend/tests/test_domclick_sweep.py
index e6f9200c..d51191d2 100644
--- a/tradein-mvp/backend/tests/test_domclick_sweep.py
+++ b/tradein-mvp/backend/tests/test_domclick_sweep.py
@@ -78,6 +78,9 @@ def _stub_domclick_lifecycle(monkeypatch: pytest.MonkeyPatch) -> None:
def _init(self: DomClickScraper) -> None:
self.request_delay_sec = 0.0
self.parse_failures = 0
+ self.geo_filtered = 0
+ self.blocked = False
+ self.fetch_errors = 0
async def _aenter(self: DomClickScraper) -> DomClickScraper:
return self
@@ -109,6 +112,8 @@ def test_domclick_sweep_counters_defaults() -> None:
assert c.lots_updated == 0
assert c.pages_fetched == 0
assert c.errors_count == 0
+ assert c.blocked == 0
+ assert c.geo_filtered == 0
def test_domclick_sweep_counters_to_dict_all_keys() -> None:
@@ -233,8 +238,13 @@ async def test_cancel_before_serp_skips_fetch(monkeypatch: pytest.MonkeyPatch) -
assert fake.done is None
-async def test_fetch_city_exception_graceful(monkeypatch: pytest.MonkeyPatch) -> None:
- """Исключение в fetch_city → errors_count++, sweep завершается mark_done (не fatal)."""
+async def test_fetch_city_exception_no_reraise(monkeypatch: pytest.MonkeyPatch) -> None:
+ """Исключение в fetch_city → errors_count++, sweep НЕ ре-райзит (graceful).
+
+ Honest-status (#1968): полный крах SERP-фазы (errors_count=1, 0 lots) → mark_failed,
+ НЕ mark_done. Run без единого листинга по внешней причине — это реальный failure,
+ а не успешный пустой прогон. Re-raise при этом НЕ происходит (task завершается чисто).
+ """
async def fake_fetch_fail(
self: DomClickScraper,
@@ -242,7 +252,7 @@ async def test_fetch_city_exception_graceful(monkeypatch: pytest.MonkeyPatch) ->
rooms: list[int] | None = None,
pages: int = 20,
) -> list[ScrapedLot]:
- raise RuntimeError("camoufox crashed")
+ raise RuntimeError("browser crashed")
monkeypatch.setattr(DomClickScraper, "fetch_city", fake_fetch_fail)
monkeypatch.setattr(scrape_pipeline, "save_listings", lambda *a, **k: (0, 0))
@@ -256,36 +266,107 @@ async def test_fetch_city_exception_graceful(monkeypatch: pytest.MonkeyPatch) ->
assert counters.errors_count == 1
assert counters.lots_fetched == 0
- assert fake.done is not None, "graceful: mark_done вызывается несмотря на ошибку SERP"
- assert fake.failed is None
+ # 0 lots + error → honest mark_failed (не маскируем как done)
+ assert fake.failed is not None
+ assert fake.done is None
-# ── _parse_html parser unit test ────────────────────────────────────────────
+async def test_fetch_errors_and_no_lots_marks_failed(monkeypatch: pytest.MonkeyPatch) -> None:
+ """Scraper fetch_errors>0 + 0 лотов (без block) → mark_failed (FIX 3 / closes #1968).
-
-def test_parse_html_minimal_card() -> None:
- """Минимальная DomClick карточка → ScrapedLot с rooms/area/floor/price/source_id."""
- # __init__ застаблен фикстурой _stub_domclick_lifecycle → нет DB/browser
- scraper = DomClickScraper()
- html = """
-
-
- 2-комн. квартира
- 52,3 м²
- 5 / 16 эт.
- Екатеринбург, улица Ленина, 10
- 6 500 000 ₽
-
-
+ Нераспознанный block-вариант приходит как fetch_error (не blocked=True), но
+ honest-status всё равно обязан пометить run failed при пустом результате.
"""
- lots = scraper._parse_html(html)
- assert len(lots) == 1
- lot = lots[0]
+
+ async def fake_fetch_errs(
+ self: DomClickScraper,
+ city_id: int,
+ rooms: list[int] | None = None,
+ pages: int = 100,
+ ) -> list[ScrapedLot]:
+ # Имитируем не-block ошибки извлечения JSON: blocked остаётся False
+ self.fetch_errors = 3
+ return []
+
+ monkeypatch.setattr(DomClickScraper, "fetch_city", fake_fetch_errs)
+ monkeypatch.setattr(scrape_pipeline, "save_listings", lambda *a, **k: (0, 0))
+
+ fake = _FakeRuns()
+ _install_runs(monkeypatch, fake)
+
+ counters = await scrape_pipeline.run_domclick_city_sweep(
+ db=MagicMock(), run_id=6, request_delay_sec=0.0
+ )
+
+ assert counters.lots_fetched == 0
+ assert counters.blocked == 0
+ assert counters.errors_count >= 3 # fetch_errors свёрнуты в errors_count
+ assert fake.failed is not None
+ assert fake.done is None
+
+
+async def test_blocked_and_no_lots_marks_failed(monkeypatch: pytest.MonkeyPatch) -> None:
+ """QRATOR-блок + 0 лотов → mark_failed (честный статус, closes #1968)."""
+
+ async def fake_fetch_blocked(
+ self: DomClickScraper,
+ city_id: int,
+ rooms: list[int] | None = None,
+ pages: int = 100,
+ ) -> list[ScrapedLot]:
+ # Имитируем QRATOR-блок: установим флаг на scraper и вернём пустой список
+ self.blocked = True
+ return []
+
+ monkeypatch.setattr(DomClickScraper, "fetch_city", fake_fetch_blocked)
+ monkeypatch.setattr(scrape_pipeline, "save_listings", lambda *a, **k: (0, 0))
+
+ fake = _FakeRuns()
+ _install_runs(monkeypatch, fake)
+
+ counters = await scrape_pipeline.run_domclick_city_sweep(
+ db=MagicMock(), run_id=5, request_delay_sec=0.0
+ )
+
+ assert counters.lots_fetched == 0
+ assert counters.blocked == 1
+ # Честный статус: mark_failed должен быть вызван, mark_done — нет
+ assert fake.failed is not None
+ assert "QRATOR" in fake.failed[0]
+ assert fake.done is None
+
+
+# ── _map_item via sweep — quick integration smoke ────────────────────────────
+
+
+def test_map_item_basic_mapping() -> None:
+ """DomClickScraper._map_item маппит BFF offer-item → ScrapedLot корректно."""
+ scraper = DomClickScraper() # __init__ stubbed
+ item = {
+ "id": 111222333,
+ "path": "https://domclick.ru/card/sale__flat__111222333",
+ "location": {"lat": 56.838, "lon": 60.612},
+ "address": {"displayName": "Екатеринбург, улица Ленина, 10"},
+ "objectInfo": {"area": 52.3, "rooms": 2, "floor": 5},
+ "house": {"floors": 16, "buildYear": 2010},
+ "price": 6_500_000,
+ "squarePrice": 124282,
+ "flatComplex": None,
+ "isRosreestrApproved": False,
+ "publishedDate": "2026-06-01T10:00:00+05:00",
+ "updatedDate": None,
+ "lastPriceHistoryState": None,
+ "offerRegionName": "Екатеринбург",
+ }
+ lot = scraper._map_item(item)
+ assert lot is not None
assert lot.source == "domklik"
- assert lot.source_id == "2075671636"
+ assert lot.source_id == "111222333"
assert lot.rooms == 2
assert lot.area_m2 == pytest.approx(52.3)
assert lot.floor == 5
assert lot.total_floors == 16
assert lot.price_rub == 6_500_000
- assert lot.lat is None and lot.lon is None
+ assert lot.listing_segment == "vtorichka"
+ assert lot.lat == pytest.approx(56.838)
+ assert lot.lon == pytest.approx(60.612)