Merge remote-tracking branch 'origin/main' into fix/ptica-bulk-harvest-phase25-removal
All checks were successful
CI Trade-In / changes (pull_request) Successful in 26s
CI Trade-In / backend-tests (pull_request) Has been skipped
CI Trade-In / browser-tests (pull_request) Has been skipped
CI Trade-In / frontend-checks (pull_request) Has been skipped

This commit is contained in:
bot-backend 2026-09-17 15:50:38 +05:00
commit 6eaa31ac66
14 changed files with 748 additions and 57 deletions

View file

@ -16,7 +16,8 @@ reap_stale_leases) — она рассчитана на долгоживущие
гарантированного `release` на каждом пути выхода; занимать под них lease значило бы
дырявить пул фантомно занятыми узлами при малейшей утечке release. Резолвер ниже
ЧИСТО READ, той же таблицы `scrape_proxies` + `scrape_proxy_source_bans`, без блокировок
и без мутаций.
и без мутаций пула. Единственная запись атрибуция прогона (`scrape_runs.proxy_id`, #3404),
своей короткой сессией, см. `resolve_proxy_url`.
ПРАВИЛО ВЫБОРА: enabled=true, consecutive_fails < proxy_pool.MAX_CONSECUTIVE_FAILS
(тот же карантинный порог, что у acquire), нет АКТИВНОЙ строки (banned_until > now())
@ -69,7 +70,7 @@ from sqlalchemy.orm import Session
from app.core.config import settings as _settings
from app.core.db import SessionLocal as _SessionLocal
from app.services.proxy_pool import MAX_CONSECUTIVE_FAILS
from app.services.proxy_pool import MAX_CONSECUTIVE_FAILS, attribute_run_proxy
logger = logging.getLogger(__name__)
@ -277,6 +278,21 @@ def resolve_proxy_url(db: Session, source: str) -> str | None:
_safe_label(candidate.id, candidate.label, candidate.url),
candidate.ban_count,
)
# #3404: прогоны на этом пути (yandex_detail_backfill, yandex_address_backfill,
# curl-ветка avito_detail_backfill) lease не берут, а атрибуцию раньше писал только
# acquire() — у yandex_detail_backfill proxy_id был NULL в 56 прогонах из 56.
# Своя сессия, не db вызывающего: attribute_run_proxy коммитит, а на сбое
# откатывает, db же — долгоживущая сессия прогона посреди работы (см.
# _pick_candidate). Сбой атрибуции проглатывается внутри — выдачу не роняет.
from scraper_kit.orchestration.run_context import current_run_id
run_id = current_run_id.get()
if run_id is not None:
attr_db = _SessionLocal()
try:
attribute_run_proxy(attr_db, run_id, candidate.id)
finally:
attr_db.close()
return candidate.url
diag = _diagnose_no_candidate(db, source)

View file

@ -275,12 +275,13 @@ def acquire(db: Session, provider: str, *, run_id: int | None = None) -> ProxyLe
чужая только запасной вариант, чтобы источник не голодал при живых свободных узлах
чужой affinity (#2600).
Fallback НЕ трогает последний enabled-узел выделенной (не-'any') affinity: если
Fallback НЕ трогает последний пригодный узел выделенной (не-'any') affinity: если
fallback заберёт его под чужой источник, «свой» останется без прокси вообще хуже,
чем голодание исходного источника, которое фикс призван устранить. Кандидат
участвует в fallback, только если его affinity='any' ИЛИ у этой affinity есть ДРУГОЙ
enabled-узел (EXISTS-подзапрос) т.е. выдача не обнулит доступность выделенной
affinity целиком.
участвует в fallback, только если его affinity='any' ИЛИ у источника этой affinity
без него останется ДРУГОЙ кандидат (EXISTS-подзапрос): узел той же affinity или
'any', здоровый, с живой арендой порта и не забаненный этим источником (#3299 —
до него 'any'-узлы не считались, и единственный выделенный узел не выдавался никому).
Исторический повод для этой защиты (173_scrape_proxies_add_domclick_affinity.sql
единственный residential-узел id=1, закреплённый за domclick, потому что QRATOR
@ -401,17 +402,29 @@ def acquire(db: Session, provider: str, *, run_id: int | None = None) -> ProxyLe
-- fallback увести последний реально рабочий узел выделенной
-- affinity и обрушить её (два domclick-узла, один забанен
-- domclick'ом → второй уходит под avito → domclick без прокси).
--
-- #3299: вопрос «останется ли у источника sp.provider_affinity
-- хоть один кандидат без sp», а не «есть ли ВТОРОЙ узел той же
-- привязки». 'any'-узлы основной запрос выдаёт выделенному
-- источнику наравне, значит и backup'ом они считаются; прежний
-- `= sp.provider_affinity` прятал единственный выделенный узел от
-- всех. Здоровье и срок аренды как в основном запросе.
-- leased_by НЕ проверяем: аренда вернётся через минуты, а
-- отказ из-за чужой аренды прятал бы узел при любом параллельном
-- прогоне (тот же довод, что у защиты в mark_banned).
OR EXISTS (
SELECT 1
FROM scrape_proxies AS other
WHERE other.provider_affinity = sp.provider_affinity
WHERE other.provider_affinity IN (sp.provider_affinity, 'any')
AND other.enabled
AND other.consecutive_fails < CAST(:max_fails AS integer)
AND (other.expires_at IS NULL OR other.expires_at > now())
AND other.id <> sp.id
AND NOT EXISTS (
SELECT 1
FROM scrape_proxy_source_bans b2
WHERE b2.proxy_id = other.id
AND b2.source = other.provider_affinity
AND b2.source = sp.provider_affinity
AND b2.banned_until > now()
)
)
@ -446,9 +459,9 @@ def acquire(db: Session, provider: str, *, run_id: int | None = None) -> ProxyLe
)
db.commit()
if run_id is not None and run_id != NON_RUN_LEASE_MARKER:
# #3404: одна точка, покрывающая ВСЕ пути выдачи (curl — acquire на каждый
# вызов, браузер — sticky lease на весь прогон, ре-acquire при ротации узла
# mid-run) — см. attribute_run_proxy docstring.
# #3404: покрывает все пути АРЕНДЫ (curl — acquire на каждый вызов, браузер —
# sticky lease на весь прогон, ре-acquire при ротации узла mid-run). Путь без
# аренды (proxy_egress.resolve_proxy_url) пишет атрибуцию сам — см. docstring.
attribute_run_proxy(db, run_id, proxy_id)
if fallback_used:
logger.warning(
@ -486,11 +499,12 @@ def acquire(db: Session, provider: str, *, run_id: int | None = None) -> ProxyLe
def attribute_run_proxy(db: Session, run_id: int, proxy_id: int) -> None:
"""Записать узел, через который идёт прогон run_id, в scrape_runs (#3404).
Единственный писатель `acquire()` сразу после выдачи lease'а: покрывает и
curl-путь (acquire на каждый вызов), и браузерный sticky lease (один acquire на
весь прогон), и ре-acquire при ротации узла mid-run (`browser_fetcher`,
`_LEASE_ROTATE_AFTER_FAILS`) то есть смена узла ЗА прогон фиксируется сама,
без отдельного вызова с чьей-либо стороны.
Два писателя. `acquire()` сразу после выдачи lease'а: покрывает и curl-путь
(acquire на каждый вызов), и браузерный sticky lease (один acquire на весь прогон),
и ре-acquire при ротации узла mid-run (`browser_fetcher`,
`_LEASE_ROTATE_AFTER_FAILS`) то есть смена узла ЗА прогон фиксируется сама.
И `proxy_egress.resolve_proxy_url` egress без аренды (yandex_detail_backfill и
др.); до этого у таких прогонов proxy_id оставался NULL (#3404, прод 17.09: 0 из 56).
`scrape_runs.proxy_id` ПОСЛЕДНИЙ использованный узел (перезаписывается при
каждой новой выдаче); полная цепочка узлов, если она менялась, в
@ -535,8 +549,7 @@ def attribute_run_proxy(db: Session, run_id: int, proxy_id: int) -> None:
db.commit()
if row is None:
logger.debug(
"proxy_pool: attribute_run_proxy no-op — run_id=%d not found (already "
"finalized?)",
"proxy_pool: attribute_run_proxy no-op — run_id=%d not found (already finalized?)",
run_id,
)
except Exception:
@ -983,6 +996,10 @@ def mark_banned(db: Session, proxy_id: int, *, source: str, reason: str | None =
WHERE sp.id <> CAST(:proxy_id AS bigint)
AND sp.enabled
AND sp.consecutive_fails < CAST(:max_fails AS integer)
-- Как в acquire(): узел с истёкшей арендой порта остаётся enabled,
-- но не выдаётся. Без этой строки он «спасал» источник, и бан уходил
-- последнему живому узлу (ревью #3565 к #3299).
AND (sp.expires_at IS NULL OR sp.expires_at > now())
AND NOT EXISTS (
SELECT 1
FROM scrape_proxy_source_bans b
@ -999,17 +1016,22 @@ def mark_banned(db: Session, proxy_id: int, *, source: str, reason: str | None =
-- fallback: enabled-узел, забаненный СВОИМ источником, backup'ом
-- не считается (иначе защита сочла бы affinity живой, когда она
-- уже нет).
-- #3299: предикат backup'а — буква в букву как в fallback
-- acquire() (там же обоснование): 'any'-узлы в счёт, здоровье
-- и срок аренды проверяются.
OR EXISTS (
SELECT 1
FROM scrape_proxies other
WHERE other.provider_affinity = sp.provider_affinity
WHERE other.provider_affinity IN (sp.provider_affinity, 'any')
AND other.enabled
AND other.consecutive_fails < CAST(:max_fails AS integer)
AND (other.expires_at IS NULL OR other.expires_at > now())
AND other.id <> sp.id
AND NOT EXISTS (
SELECT 1
FROM scrape_proxy_source_bans b2
WHERE b2.proxy_id = other.id
AND b2.source = other.provider_affinity
AND b2.source = sp.provider_affinity
AND b2.banned_until > now()
)
)

View file

@ -167,7 +167,9 @@ class FakeSession:
exp = row.get("expires_at")
return exp is None or exp > datetime.now(UTC)
if "provider_affinity IN" in sql: # primary: своя affinity ИЛИ 'any'
# primary: своя affinity ИЛИ 'any'. Полный фрагмент, а не "provider_affinity IN":
# с #3299 такой же IN есть и в backup-подзапросе fallback'а.
if "provider_affinity IN (:provider, 'any')" in sql:
cands = [
r
for r in self.rows
@ -189,17 +191,27 @@ class FakeSession:
# тоже гейтим по подстроке (b2-подзапрос), иначе мок «чинил» бы
# незащищённый SQL сам.
backup_must_be_usable = "b2.banned_until > now()" in sql
# #3299: backup — 'any' или та же affinity, здоровый, с живой арендой; гейт
# по подстроке, как выше — иначе мок сам «чинил» бы старый предикат.
counts_any = "IN (sp.provider_affinity, 'any')" in sql
def _has_backup(row: dict[str, Any]) -> bool:
if row["provider_affinity"] == "any":
return True
affinities = (
(row["provider_affinity"], "any")
if counts_any
else (row["provider_affinity"],)
)
return any(
other["provider_affinity"] == row["provider_affinity"]
other["provider_affinity"] in affinities
and other["enabled"]
and (not counts_any or other["consecutive_fails"] < max_fails)
and (not counts_any or _not_expired(other))
and other["id"] != row["id"]
and not (
backup_must_be_usable
and self._has_active_ban(other["id"], other["provider_affinity"])
and self._has_active_ban(other["id"], row["provider_affinity"])
)
for other in self.rows
)
@ -392,13 +404,24 @@ class FakeSession:
# fallback-safe: другой ПРИГОДНЫЙ узел ТОЙ ЖЕ affinity (банимый узел
# остаётся enabled и тоже считается — бан теперь per-source; а вот
# забаненный своим же источником backup'ом не считается).
# #3299: тот же гейт, что в acquire-ветке мока.
counts_any = "IN (sp.provider_affinity, 'any')" in sql
affinities = (
(sp["provider_affinity"], "any") if counts_any else (sp["provider_affinity"],)
)
return any(
other["provider_affinity"] == sp["provider_affinity"]
other["provider_affinity"] in affinities
and other["enabled"]
and (not counts_any or other["consecutive_fails"] < max_fails)
and (
not counts_any
or other.get("expires_at") is None
or other["expires_at"] > datetime.now(UTC)
)
and other["id"] != sp["id"]
and not (
backup_must_be_usable
and self._has_active_ban(other["id"], other["provider_affinity"])
and self._has_active_ban(other["id"], sp["provider_affinity"])
)
for other in self.rows
)
@ -712,11 +735,16 @@ def test_acquire_fallback_skips_expired_lease() -> None:
def test_acquire_fallback_prefers_non_expired_over_expired() -> None:
"""Просроченный узел пропускается, живой той же чужой affinity — выдан fallback'ом."""
"""Просроченный узел пропускается, живой той же чужой affinity — выдан fallback'ом.
Узел 3 (занят чужим прогоном) резерв cian: с #3299 просроченный узел 1 резервом
не считается, и без узла 3 живой узел 2 был бы последним для cian и защищён.
"""
db = FakeSession(
[
_proxy(1, affinity="cian", expires_at=datetime.now(UTC) - timedelta(minutes=1)),
_proxy(2, affinity="cian", expires_at=datetime.now(UTC) + timedelta(hours=1)),
_proxy(3, affinity="cian", leased_by=99),
]
)
lease = acquire(db, "avito", run_id=1) # type: ignore[arg-type]
@ -735,9 +763,9 @@ def test_acquire_warns_on_expired_proxy(caplog: pytest.LogCaptureFixture) -> Non
with caplog.at_level("WARNING", logger="app.services.proxy_pool"):
lease = acquire(db, "avito", run_id=1) # type: ignore[arg-type]
assert lease is not None and lease.id == 2 # живой узел всё равно выдан
assert any(
"expired" in r.message and "id=1" in r.message for r in caplog.records
), "ожидался WARNING про просроченный proxy id=1"
assert any("expired" in r.message and "id=1" in r.message for r in caplog.records), (
"ожидался WARNING про просроченный proxy id=1"
)
# ── release ──────────────────────────────────────────────────────────────────
@ -1549,9 +1577,7 @@ async def test_probe_proxy_proxy_error_logs_single_line_without_traceback(
monkeypatch.setattr(httpx.AsyncClient, "get", _broken_get)
with caplog.at_level("WARNING", logger="app.services.proxy_pool"):
ok, exit_ip, latency_ms, fail_kind = await proxy_pool._probe_proxy(
"http://u:p@h1:8080"
)
ok, exit_ip, latency_ms, fail_kind = await proxy_pool._probe_proxy("http://u:p@h1:8080")
assert ok is False
assert exit_ip is None

View file

@ -154,6 +154,27 @@ tests/test_3463_db_timeouts.py::test_set_local_is_scoped_to_its_transaction
tests/test_3252_domclick_card_fields.py::test_serp_rescrape_keeps_detail_living_area_and_balconies
tests/test_3252_domclick_card_fields.py::test_real_new_value_still_overwrites
# Пул прокси (#3299, #3310, #3404) — предикаты выдачи/защиты и атрибуция прогона живут
# в SQL, мок их не проверяет. Live-тесты на схеме из миграций: #3299 и #3310 — в одной
# внешней транзакции с откатом (commit пула = RELEASE savepoint), #3404 — настоящими
# сессиями, строки t3404-* удаляются в finally. В ci-tradein.yml идут по-настоящему
# (postgres-сервис, #2745); на машине без БД и в deploy-tradein.yml — skip.
tests/test_3299_fallback_counts_any_nodes.py::test_dedicated_node_goes_to_other_source_when_any_node_backs_it
tests/test_3299_fallback_counts_any_nodes.py::test_only_dedicated_node_without_any_nodes_stays_protected
tests/test_3299_fallback_counts_any_nodes.py::test_any_node_banned_by_dedicated_source_is_not_a_backup
tests/test_3299_fallback_counts_any_nodes.py::test_unhealthy_any_node_is_not_a_backup
tests/test_3299_fallback_counts_any_nodes.py::test_expired_any_node_is_not_a_backup
tests/test_3299_fallback_counts_any_nodes.py::test_mark_banned_counts_dedicated_node_reachable_via_any_backup
tests/test_3299_fallback_counts_any_nodes.py::test_mark_banned_still_protects_when_dedicated_node_has_no_usable_backup
tests/test_3299_fallback_counts_any_nodes.py::test_mark_banned_unhealthy_backup_does_not_count
tests/test_3299_fallback_counts_any_nodes.py::test_mark_banned_expired_backup_does_not_count
tests/test_3299_fallback_counts_any_nodes.py::test_mark_banned_expired_node_does_not_save_the_source
tests/test_3310_curl_ban_keeps_last_node.py::test_three_bans_on_last_node_keep_it_in_the_pool
tests/test_3310_curl_ban_keeps_last_node.py::test_transport_failure_still_counts_against_node_health
tests/test_3404_egress_run_attribution.py::test_resolve_within_run_writes_node_to_scrape_runs
tests/test_3404_egress_run_attribution.py::test_resolve_outside_run_writes_nothing
tests/test_3404_egress_run_attribution.py::test_attribution_does_not_commit_callers_transaction
# Миграция 310 (#3385): настоящий SQL-файл с DELETE и RAISE-остановкой исполняет только
# Postgres. В ci-tradein.yml бегут по-настоящему (postgres-сервис, #2745); краснеют от
# снятия подписи батча, сужения окна до ×10 и снятия порога — проверено вручную 17.09.

View file

@ -103,7 +103,7 @@ async def test_403_bans_the_node_for_cian_only() -> None:
with pytest.raises(CianBlockedError):
await _fetch(403, spy)
assert spy.mark_banned_calls == [(1, "cian")]
assert spy.mark_health_calls == [(1, False)]
assert spy.mark_health_calls == [] # #3310: отказ площадки не копит consecutive_fails
assert spy.release_calls == [1] # lease не течёт даже на бане

View file

@ -179,7 +179,7 @@ async def test_price_history_403_bans_the_node_for_cian() -> None:
pool = _SpyPool()
result = await _run_price_history(pool, status_code=403)
assert pool.mark_banned_calls == [(9, "cian")]
assert pool.mark_health_calls == [(9, False)]
assert pool.mark_health_calls == [] # #3310: бан вместо mark_health(False)
assert result.errors == 1 # прогон честен: отказ посчитан
@ -335,7 +335,7 @@ async def test_zhk_resolve_403_reaches_the_pool() -> None:
with pytest.raises(CianBlockedError):
await _resolve(403, spy)
assert spy.mark_banned_calls == [(9, "cian")]
assert spy.mark_health_calls == [(9, False)]
assert spy.mark_health_calls == [] # #3310: бан вместо mark_health(False)
assert spy.release_calls == [9]

View file

@ -0,0 +1,231 @@
"""Защита «последнего узла выделенной affinity» считает узлы 'any' (#3299).
Запасной заход `acquire()` и защита в `mark_banned()` спрашивали «есть ли у привязки
ВТОРОЙ выделенный узел». Выделенный узел по смыслу штучный, поэтому ответ почти всегда
«нет», и такой узел не выдавался НИКОМУ, даже когда свой источник спокойно обслуживали
'any'-узлы. Прод 17.09: узел 15 (avito) свободен и здоров, для cian/domclick fallback
его не отдавал; 30.08 так же лёг добор Домклика (прогоны 5449-5459).
Проверяется SQL, а не его пересказ: живой Postgres со схемой из миграций (в CI его
поднимает ci-tradein.yml), всё в одной внешней транзакции с откатом `commit()` внутри
proxy_pool освобождает savepoint. Чужие строки scrape_proxies на время теста выключены
в той же транзакции. Без БД skip, как соседние live-тесты.
"""
from __future__ import annotations
import os
os.environ.setdefault("DATABASE_URL", "postgresql+psycopg://test:test@localhost:5432/test")
from collections.abc import Iterator
from typing import Any
import pytest
from sqlalchemy import create_engine, text
from sqlalchemy.orm import Session
from app.services.proxy_pool import MAX_CONSECUTIVE_FAILS, acquire, mark_banned
def _live_engine() -> Any | None:
dsn = os.environ.get("TEST_DATABASE_URL") or os.environ.get("DATABASE_URL", "")
if not dsn or "localhost:5432/test" in dsn:
return None
try:
engine = create_engine(dsn, future=True)
with engine.connect() as conn:
conn.execute(text("SELECT 1 FROM scrape_proxies LIMIT 1"))
return engine
except Exception:
return None
_ENGINE = _live_engine()
pytestmark = pytest.mark.skipif(_ENGINE is None, reason="no reachable Postgres test DB")
@pytest.fixture
def db() -> Iterator[Session]:
assert _ENGINE is not None
conn = _ENGINE.connect()
outer = conn.begin()
session = Session(bind=conn, join_transaction_mode="create_savepoint")
session.execute(text("UPDATE scrape_proxies SET enabled = false"))
# commit здесь и в хелперах ниже — это RELEASE savepoint'а, внешняя транзакция цела.
# Без него db.rollback() внутри acquire (пустой отбор) откатил бы и подготовку.
session.commit()
try:
yield session
finally:
session.close()
outer.rollback()
conn.close()
def _node(db: Session, affinity: str, *, fails: int = 0, expired: bool = False) -> int:
proxy_id = db.execute(
text(
"""
INSERT INTO scrape_proxies (url, provider_affinity, consecutive_fails, expires_at)
VALUES ('http://t3299-' || gen_random_uuid(), :aff, :fails,
CASE WHEN :expired THEN now() - interval '1 minute' END)
RETURNING id
"""
),
{"aff": affinity, "fails": fails, "expired": expired},
).scalar_one()
db.commit()
return int(proxy_id)
def _ban(db: Session, proxy_id: int, source: str) -> None:
db.execute(
text(
"""
INSERT INTO scrape_proxy_source_bans (proxy_id, source, banned_until, reason)
VALUES (:id, :source, now() + interval '6 hours', 'banned:' || :source)
"""
),
{"id": proxy_id, "source": source},
)
db.commit()
def _leased_by(db: Session, proxy_id: int) -> int | None:
return db.execute(
text("SELECT leased_by FROM scrape_proxies WHERE id = :id"), {"id": proxy_id}
).scalar_one()
# ── acquire: запасной заход ──────────────────────────────────────────────────
def test_dedicated_node_goes_to_other_source_when_any_node_backs_it(db: Session) -> None:
"""Замеренный расклад issue: выделенный avito-узел + 'any'-узел, которого домклик не
получает (забанен им). Домклик берёт выделенный узел, avito остаётся с 'any'.
На старом предикате acquire('domclick') возвращал None."""
dedicated = _node(db, "avito")
any_node = _node(db, "any")
_ban(db, any_node, "domclick")
lease = acquire(db, "domclick", run_id=None)
assert lease is not None and lease.id == dedicated, f"домклику выдан {lease}"
own = acquire(db, "avito", run_id=None)
assert own is not None and own.id == any_node, f"avito остался без узла: {own}"
def test_only_dedicated_node_without_any_nodes_stays_protected(db: Session) -> None:
"""Исходный смысл защиты (#2600): единственный узел привязки и ни одного 'any'
fallback его не забирает, узел остаётся за своим источником."""
dedicated = _node(db, "avito")
assert acquire(db, "domclick", run_id=None) is None
assert _leased_by(db, dedicated) is None
own = acquire(db, "avito", run_id=None)
assert own is not None and own.id == dedicated
def test_any_node_banned_by_dedicated_source_is_not_a_backup(db: Session) -> None:
"""'any'-узел, забаненный самим avito, avito не обслужит — резервом не считается."""
dedicated = _node(db, "avito")
any_node = _node(db, "any")
_ban(db, any_node, "domclick")
_ban(db, any_node, "avito")
assert acquire(db, "domclick", run_id=None) is None
assert _leased_by(db, dedicated) is None
def test_unhealthy_any_node_is_not_a_backup(db: Session) -> None:
"""Узел в карантине по consecutive_fails acquire не выдаёт — резервом он тоже не
считается (раньше здоровье резерва не проверялось вовсе)."""
dedicated = _node(db, "avito")
_node(db, "any", fails=MAX_CONSECUTIVE_FAILS)
assert acquire(db, "domclick", run_id=None) is None
assert _leased_by(db, dedicated) is None
def test_expired_any_node_is_not_a_backup(db: Session) -> None:
"""Узел с истёкшей арендой порта acquire не выдаёт — резервом он тоже не считается.
Отдельно от карантина: у предиката резерва два независимых условия пригодности, и
каждое проверяется своим узлом (ревью PR #3565: без этого теста снятие проверки
`expires_at` из подзапроса оставляло сьют зелёным)."""
dedicated = _node(db, "avito")
_node(db, "any", expired=True)
assert acquire(db, "domclick", run_id=None) is None
assert _leased_by(db, dedicated) is None
# ── mark_banned: защита считает так же, как acquire ──────────────────────────
def test_mark_banned_counts_dedicated_node_reachable_via_any_backup(db: Session) -> None:
"""Банится 'any'-узел для cian. У cian остаётся выделенный avito-узел, за которым
стоит 'any'-резерв значит бан безопасен, и cian действительно получает этот узел.
На старом предикате защита ответила бы 'protected' и оставила бы cian ходить через
отбитый узел, хотя живой узел для него был."""
banned = _node(db, "any")
dedicated = _node(db, "avito")
backup = _node(db, "any")
_ban(db, backup, "cian")
assert mark_banned(db, banned, source="cian") == "banned"
lease = acquire(db, "cian", run_id=None)
assert lease is not None and lease.id == dedicated
def test_mark_banned_still_protects_when_dedicated_node_has_no_usable_backup(
db: Session,
) -> None:
"""Зеркало: резерв выделенного узла забанен самим avito → для cian узла нет, бан не
пишется, и отбитый узел продолжает выдаваться cian (обещание из лога защиты)."""
banned = _node(db, "any")
_node(db, "avito")
_ban(db, banned, "avito")
assert mark_banned(db, banned, source="cian") == "protected"
lease = acquire(db, "cian", run_id=None)
assert lease is not None and lease.id == banned
def test_mark_banned_unhealthy_backup_does_not_count(db: Session) -> None:
"""Резерв выделенного узла в карантине по consecutive_fails — для cian узла нет,
защита держит. Сам резерв кандидатом cian не считается по той же причине (карантин
проверяется и во внешнем отборе), так что ответ решает именно предикат резерва."""
banned = _node(db, "any")
_node(db, "avito")
_ban(db, banned, "avito")
_node(db, "any", fails=MAX_CONSECUTIVE_FAILS)
assert mark_banned(db, banned, source="cian") == "protected"
def test_mark_banned_expired_backup_does_not_count(db: Session) -> None:
"""Резерв выделенного узла с истёкшей арендой — для cian узла нет, защита держит."""
banned = _node(db, "any")
_node(db, "avito")
_ban(db, banned, "avito")
_node(db, "any", expired=True)
assert mark_banned(db, banned, source="cian") == "protected"
def test_mark_banned_expired_node_does_not_save_the_source(db: Session) -> None:
"""Внешний отбор: у cian остался только 'any'-узел с истёкшей арендой. acquire его не
выдаёт, значит банимый узел последний бан не пишется, и cian получает этот узел.
До правки защита засчитывала просроченный узел (пока healthcheck не наберёт ему
отказов), бан уходил, а cian оставался ни с чем."""
banned = _node(db, "any")
_node(db, "any", expired=True)
assert mark_banned(db, banned, source="cian") == "protected"
lease = acquire(db, "cian", run_id=None)
assert lease is not None and lease.id == banned

View file

@ -0,0 +1,126 @@
"""Защита последнего узла держит слово и на curl-пути (#3310).
`mark_banned` бережёт узел от бан-строки, если он последний для источника, и пишет
«узел продолжит выдаваться». Но `curl_proxy_url` на том же `ProxyBanError` вслед за
баном звал `mark_health(ok=False)`: после трёх таких ответов `consecutive_fails = 3`, и
`acquire` отсекал узел для ВСЕХ источников пул объявлял себя пустым при живом узле.
Браузерный путь это уже не делает (#3288, `report_platform_ban`), curl-путь — делал.
Проверка по значению на живом Postgres, настоящим трактом: `curl_proxy_url`
`RealProxyProvider` `proxy_pool`. Сессии адаптера привязаны к одной внешней
транзакции с откатом (commit внутри пула = RELEASE savepoint). Без БД skip.
"""
from __future__ import annotations
import os
os.environ.setdefault("DATABASE_URL", "postgresql+psycopg://test:test@localhost:5432/test")
from collections.abc import Iterator
from dataclasses import dataclass
from typing import Any
import pytest
from scraper_kit.cian_exceptions import CianBlockedError
from scraper_kit.orchestration.run_context import current_run_id
from scraper_kit.providers._proxy import curl_proxy_url
from sqlalchemy import create_engine, text
from sqlalchemy.orm import Session
from app.services import proxy_pool, scraper_adapters
def _live_engine() -> Any | None:
dsn = os.environ.get("TEST_DATABASE_URL") or os.environ.get("DATABASE_URL", "")
if not dsn or "localhost:5432/test" in dsn:
return None
try:
engine = create_engine(dsn, future=True)
with engine.connect() as conn:
conn.execute(text("SELECT 1 FROM scrape_proxies LIMIT 1"))
return engine
except Exception:
return None
_ENGINE = _live_engine()
pytestmark = pytest.mark.skipif(_ENGINE is None, reason="no reachable Postgres test DB")
@dataclass
class _Config:
use_proxy_pool_curl: bool = True
environment: str = "production"
@pytest.fixture
def node(monkeypatch: pytest.MonkeyPatch) -> Iterator[tuple[int, Session]]:
"""Единственный включённый узел пула ('any'); адаптер ходит в ту же транзакцию."""
assert _ENGINE is not None
conn = _ENGINE.connect()
outer = conn.begin()
def _session() -> Session:
return Session(bind=conn, join_transaction_mode="create_savepoint")
db = _session()
db.execute(text("UPDATE scrape_proxies SET enabled = false"))
proxy_id = db.execute(
text(
"INSERT INTO scrape_proxies (url, provider_affinity) "
"VALUES ('http://t3310-' || gen_random_uuid(), 'any') RETURNING id"
)
).scalar_one()
db.commit()
monkeypatch.setattr(scraper_adapters, "_SessionLocal", _session)
token = current_run_id.set(None)
try:
yield int(proxy_id), db
finally:
current_run_id.reset(token)
db.close()
outer.rollback()
conn.close()
def _fails(db: Session, proxy_id: int) -> int:
return int(
db.execute(
text("SELECT consecutive_fails FROM scrape_proxies WHERE id = :id"), {"id": proxy_id}
).scalar_one()
)
def test_three_bans_on_last_node_keep_it_in_the_pool(node: tuple[int, Session]) -> None:
"""Приёмка issue: единственный узел + три бана подряд → acquire не пуст.
На старом коде: consecutive_fails == 3 и acquire('cian') None."""
proxy_id, db = node
provider = scraper_adapters.RealProxyProvider()
for _ in range(3):
with pytest.raises(CianBlockedError):
with curl_proxy_url(_Config(), provider, "cian", env_fallback_url=None):
raise CianBlockedError("HTTP 403")
assert _fails(db, proxy_id) == 0
ban_rows = db.execute(
text("SELECT count(*) FROM scrape_proxy_source_bans WHERE proxy_id = :id"),
{"id": proxy_id},
).scalar_one()
assert ban_rows == 0, "защита последнего узла не сработала — тест проверял бы не то"
lease = proxy_pool.acquire(db, "cian", run_id=None)
assert lease is not None and lease.id == proxy_id, f"пул пуст при живом узле: {lease}"
def test_transport_failure_still_counts_against_node_health(node: tuple[int, Session]) -> None:
"""Обратная сторона: сетевой сбой — не бан, узлу по-прежнему засчитывается отказ."""
proxy_id, db = node
provider = scraper_adapters.RealProxyProvider()
with pytest.raises(OSError):
with curl_proxy_url(_Config(), provider, "cian", env_fallback_url=None):
raise OSError("proxy 407")
assert _fails(db, proxy_id) == 1

View file

@ -255,7 +255,7 @@ async def test_captcha_on_curl_path_bans_the_node_for_cian() -> None:
assert spy.mark_banned_calls == [(1, "cian")]
assert (1, True) not in spy.mark_health_calls, "узел с капчей записан здоровым"
assert spy.mark_health_calls == [(1, False)]
assert spy.mark_health_calls == [] # #3310: бан вместо mark_health(False)
assert spy.release_calls == [1] # lease не течёт

View file

@ -0,0 +1,148 @@
"""Прогон на egress-пути знает свой узел (#3404, хвост PR #3405).
PR #3405 писал `scrape_runs.proxy_id` только из `proxy_pool.acquire()`. Прогоны, которые
берут прокси через `proxy_egress.resolve_proxy_url` (без аренды: yandex_detail_backfill,
yandex_address_backfill, curl-ветка avito_detail_backfill), атрибуцию не получали
прод 17.09: у yandex_detail_backfill proxy_id NULL в 56 прогонах из 56.
Живой Postgres, настоящие сессии (атрибуция идёт своей сессией, поэтому строки
коммитятся и удаляются в finally). Без БД skip.
"""
from __future__ import annotations
import os
os.environ.setdefault("DATABASE_URL", "postgresql+psycopg://test:test@localhost:5432/test")
import json
from collections.abc import Iterator
from typing import Any
import pytest
from scraper_kit.orchestration.run_context import current_run_id
from sqlalchemy import create_engine, text
from sqlalchemy.orm import Session, sessionmaker
from app.services import proxy_egress
def _live_engine() -> Any | None:
dsn = os.environ.get("TEST_DATABASE_URL") or os.environ.get("DATABASE_URL", "")
if not dsn or "localhost:5432/test" in dsn:
return None
try:
engine = create_engine(dsn, future=True)
with engine.connect() as conn:
conn.execute(text("SELECT proxy_id FROM scrape_runs LIMIT 1"))
return engine
except Exception:
return None
_ENGINE = _live_engine()
pytestmark = pytest.mark.skipif(_ENGINE is None, reason="no reachable Postgres test DB")
@pytest.fixture
def env(monkeypatch: pytest.MonkeyPatch) -> Iterator[dict[str, Any]]:
"""Узел пула + два прогона: `run` — текущий, `other` — строка, которую вызывающий
держит изменённой без коммита."""
assert _ENGINE is not None
factory = sessionmaker(bind=_ENGINE, future=True)
monkeypatch.setattr(proxy_egress, "_SessionLocal", factory)
setup = factory()
proxy_id = setup.execute(
text(
"INSERT INTO scrape_proxies (url, provider_affinity) "
"VALUES ('http://t3404-' || gen_random_uuid(), 'any') RETURNING id"
)
).scalar_one()
run_ids = [
setup.execute(
text(
"INSERT INTO scrape_runs (source, status) "
"VALUES ('test_3404', 'running') RETURNING id"
)
).scalar_one()
for _ in range(2)
]
setup.commit()
token = current_run_id.set(None)
try:
yield {"proxy_id": int(proxy_id), "run": int(run_ids[0]), "other": int(run_ids[1])}
finally:
current_run_id.reset(token)
setup.rollback()
setup.execute(text("DELETE FROM scrape_runs WHERE id = ANY(:ids)"), {"ids": run_ids})
setup.execute(text("DELETE FROM scrape_proxies WHERE id = :id"), {"id": proxy_id})
setup.commit()
setup.close()
def _run_row(run_id: int) -> Any:
assert _ENGINE is not None
with _ENGINE.connect() as conn:
return conn.execute(
text("SELECT proxy_id, counters FROM scrape_runs WHERE id = :id"), {"id": run_id}
).one()
def _node_id_of(url: str) -> int:
assert _ENGINE is not None
with _ENGINE.connect() as conn:
return int(
conn.execute(
text("SELECT id FROM scrape_proxies WHERE url = :u"), {"u": url}
).scalar_one()
)
def test_resolve_within_run_writes_node_to_scrape_runs(env: dict[str, Any]) -> None:
"""Главный случай: прогон идёт, egress выбран — прогон знает узел.
На старом коде proxy_id остаётся NULL."""
current_run_id.set(env["run"])
caller = Session(bind=_ENGINE, future=True)
try:
url = proxy_egress.resolve_proxy_url(caller, "yandex")
finally:
caller.close()
assert url is not None
node = _node_id_of(url)
row = _run_row(env["run"])
assert row.proxy_id == node
counters = row.counters if isinstance(row.counters, dict) else json.loads(row.counters)
assert counters.get("proxy_ids") == [node]
def test_resolve_outside_run_writes_nothing(env: dict[str, Any]) -> None:
"""Без прогона (админка, проверка кук) — scrape_runs не трогаем."""
caller = Session(bind=_ENGINE, future=True)
try:
assert proxy_egress.resolve_proxy_url(caller, "yandex") is not None
finally:
caller.close()
assert _run_row(env["run"]).proxy_id is None
def test_attribution_does_not_commit_callers_transaction(env: dict[str, Any]) -> None:
"""db вызывающего — долгоживущая сессия прогона посреди работы. Атрибуция не имеет
права закоммитить его незавершённые изменения (или откатить их на сбое)."""
current_run_id.set(env["run"])
caller = Session(bind=_ENGINE, future=True)
try:
caller.execute(
text("UPDATE scrape_runs SET counters = '{\"t3404\": 1}'::jsonb WHERE id = :id"),
{"id": env["other"]},
)
proxy_egress.resolve_proxy_url(caller, "yandex")
caller.rollback()
finally:
caller.close()
other = _run_row(env["other"]).counters or {}
assert "t3404" not in other, "атрибуция закоммитила чужую транзакцию"
assert _run_row(env["run"]).proxy_id is not None

View file

@ -0,0 +1,90 @@
"""Детальная Циана на своей сессии не держит event loop операциями пула (#3408 п.3).
`providers/cian/detail.py::fetch_detail` без `session`/`browser_fetcher` входил в
синхронный `curl_proxy_url`: `RealProxyProvider.acquire/mark_health/release` ходят в БД
прямо на loop'е. Вызывающий — админ-ручка истории цен Циана в публичном
`tradein-backend` (один воркер uvicorn, #3083): пара блокирующих вызовов на каждый
листинг батча. #3398 перевёл так три сайта `/estimate`, этот остался.
Проверка по значению тем же способом, что test_3398_pool_ops_off_event_loop.py: пока
`acquire` спит 0.3 с в потоке, соседняя корутина тикает. На синхронном входе ноль.
Бан/здоровье/release на этом пути по-прежнему проверяет test_2700_cian_detail_403_node.py.
"""
from __future__ import annotations
import asyncio
import os
import time
from contextlib import suppress
from dataclasses import dataclass
from typing import Any
from unittest.mock import AsyncMock, MagicMock, patch
os.environ.setdefault("DATABASE_URL", "postgresql+psycopg://test:test@localhost:5432/test")
from scraper_kit.contracts import ProxyLease
from scraper_kit.providers.cian import detail as cian_detail
_ACQUIRE_SLEEP_S = 0.3
_LEASE = ProxyLease(id=5, url="http://pool-node:3128", kind="http", rotate_url=None)
class _SlowProvider:
def __init__(self) -> None:
self.released: list[int] = []
self.health: list[bool] = []
def acquire(self, provider: str) -> ProxyLease:
time.sleep(_ACQUIRE_SLEEP_S) # как checkout коннекта из пула
return _LEASE
def release(self, lease: ProxyLease) -> None:
self.released.append(lease.id)
def mark_health(self, lease: ProxyLease, ok: bool, **kw: Any) -> None:
self.health.append(ok)
def mark_banned(self, lease: ProxyLease, *, source: str) -> None: # pragma: no cover
pass
@dataclass
class _Config:
use_proxy_pool_curl: bool = True
cian_proxy_url: str | None = None
environment: str = "production"
async def test_acquire_does_not_block_event_loop() -> None:
provider = _SlowProvider()
session = MagicMock()
session.get = AsyncMock(return_value=MagicMock(status_code=404, text=""))
session.close = AsyncMock()
ticks = 0
async def _ticker() -> None:
nonlocal ticks
while True:
await asyncio.sleep(0)
ticks += 1
task = asyncio.create_task(_ticker())
await asyncio.sleep(0)
try:
with patch.object(cian_detail, "build_curl_cffi_session", return_value=session):
got = await cian_detail.fetch_detail(
"https://ekb.cian.ru/sale/flat/1/",
config=_Config(), # type: ignore[arg-type]
proxy_provider=provider, # type: ignore[arg-type]
)
finally:
task.cancel()
with suppress(asyncio.CancelledError):
await task
assert got is None
assert session.get.await_count == 1, "запрос не ушёл — тест ничего не проверил"
assert provider.released == [_LEASE.id] and provider.health == [True]
# Свободный loop за 0.3 с успевает десятки тысяч тиков, заблокированный — единицы.
assert ticks > 100, f"loop простоял всё время acquire: тиков всего {ticks}"

View file

@ -127,10 +127,10 @@ def test_flag_on_exception_marks_fail_and_still_releases() -> None:
assert spy.release_calls == [7]
def test_ban_exception_calls_mark_banned_in_addition_to_mark_health() -> None:
def test_ban_exception_calls_mark_banned_instead_of_mark_health() -> None:
"""Исключение — подкласс ProxyBanError (напр. AvitoBlockedError) внутри блока —
вызывает mark_banned(lease, source=provider) В ДОПОЛНЕНИЕ к mark_health(ok=False)
(#2600 п.1 curl-путь). Zero изменений в вызывающем коде — сигнал детектируется
вызывает mark_banned(lease, source=provider) ВМЕСТО mark_health(ok=False)
(#2600 п.1 curl-путь, #3310). Zero изменений в вызывающем коде — сигнал детектируется
по ТИПУ исключения, а не явным вызовом."""
class _FakeBlockedError(ProxyBanError):
@ -143,7 +143,8 @@ def test_ban_exception_calls_mark_banned_in_addition_to_mark_health() -> None:
assert url == _LEASE.url
raise _FakeBlockedError("firewall page detected")
assert spy.mark_banned_calls == [(7, "avito")]
assert spy.mark_health_calls == [(7, False)] # оба сигнала, не взаимоисключающие
# #3310: бан ВМЕСТО mark_health(False) — иначе три бана выводили узел из выдачи всем
assert spy.mark_health_calls == []
assert spy.release_calls == [7] # lease всё равно освобождён

View file

@ -18,11 +18,15 @@ release ВСЕГДА в finally — lease не должен течь, даже
Бан площадки (#2600 п.1): если исключение, поднятое ИЗНУТРИ `with curl_proxy_url(...) as
url:`, `isinstance` от `ProxyBanError` (mixin, который уже наследуют `AvitoBlockedError`/
`DomClickBlockedError` и т.п. см. `proxy_errors.ProxyBanError`), это НЕ просто
`DomClickBlockedError` и т.п. см. `proxy_errors.ProxyBanError`), это НЕ
`mark_health(ok=False)` (транзиентный сбой, инкремент consecutive_fails), а немедленный
`mark_banned` узел сразу снимается с выдачи ЭТОМУ провайдеру (per-source бан, #2600 п.2;
для остальных источников остаётся в строю), кроме случая когда это последний узел,
достижимый для провайдера (защита в `app.services.proxy_pool.mark_banned`).
`mark_health(ok=False)` на бане НЕ зовётся (#3310): узел исправен, его отбила площадка, а
глобальный счётчик после трёх банов выводил его из выдачи ВСЕМ источникам в том числе
последний узел, который защита только что пообещала оставить. Тот же выбор, что у
`BrowserFetcher.report_platform_ban` (#3288).
Zero изменений для caller'а: любой provider, который уже поднимает свой Blocked-exception
ИЗНУТРИ блока, получает сигнал бесплатно этот модуль намеренно НЕ импортирует
avito_exceptions/domclick_exceptions (generic-прокси-слой не должен знать про конкретные
@ -126,13 +130,15 @@ def curl_proxy_url(
raise
finally:
# mark_health/mark_banned/release — best-effort: проблема пула не должна
# ронять сбор. mark_banned ПЕРЕД mark_health(ok=False) — оба независимы
# (разные поля), но бан — более специфичный/сильный сигнал.
# ронять сбор. Бан ВМЕСТО mark_health(ok=False), а не вдобавок (#3310): отказ
# площадки — свойство пары «узел × источник», глобальный счётчик здоровья он
# копить не должен (см. докстринг модуля).
if banned:
try:
proxy_provider.mark_banned(lease, source=provider)
except Exception:
logger.warning("proxy_pool: mark_banned failed for %s", provider, exc_info=True)
else:
try:
proxy_provider.mark_health(lease, ok)
except Exception:
@ -175,10 +181,10 @@ async def acurl_proxy_url(
ПОТОЛОК (осознанный): бюджет `wait_for` на ветке acquire НЕ соблюдается. Отмена
приходит вовремя, но мы дожидаемся потока ЦЕЛИКОМ, чтобы не бросить уже выданную им
аренду замер в тестах: `wait_for(timeout=0.05)` вернулся через 0.3 с (всё время
acquire). Худший случай `/estimate` три источника × до 30 с checkout'а коннекта из
исчерпанного пула СВЕРХ их бюджетов (#654). Отсюда это не чинится: поток не прервать.
Закрывается со стороны БД `statement_timeout`/`pool_timeout` короче бюджета,
follow-up #3408 («пул коннектов SQLAlchemy 15 против пикового спроса до 28»).
acquire). Худший случай `/estimate` три источника × до `pool_timeout` checkout'а
коннекта из исчерпанного пула СВЕРХ их бюджетов (#654). Отсюда это не чинится: поток
не прервать. Закрыто со стороны БД (#3408, PR #3444): `pool_timeout` = 5 с — короче
самого короткого бюджета источника (8 с), см. app/core/db.py.
"""
cm = curl_proxy_url(config, proxy_provider, provider, env_fallback_url=env_fallback_url)
enter = asyncio.ensure_future(asyncio.to_thread(cm.__enter__))

View file

@ -32,7 +32,7 @@ from scraper_kit.offer_price_history import (
validate_diff_percent,
)
from scraper_kit.providers._base import build_curl_cffi_session
from scraper_kit.providers._proxy import curl_proxy_url
from scraper_kit.providers._proxy import acurl_proxy_url
from scraper_kit.proxy_errors import caused_by_no_proxy
from scraper_kit.repair_state_normalizer import (
infer_repair_state_from_text,
@ -142,7 +142,7 @@ def _is_captcha_title(title: str) -> bool:
"""Заголовок — капча Циана? Один предикат на оба места детекта.
Детект живёт в двух точках намеренно (#3402 follow-up): общий parse-путь ниже —
ЗА границей `with curl_proxy_url(...)`, и поднятый там `CianBlockedError` до пула
ЗА границей `async with acurl_proxy_url(...)`, и поднятый там `CianBlockedError` до пула
уже не доходит (узел успел получить `mark_health(ok=True)` и остаётся в выдаче
Циану ровно дефект #2700, только на HTTP 200). Поэтому curl-путь спрашивает про
капчу ВНУТРИ блока, а не после него.
@ -228,9 +228,13 @@ async def fetch_detail(
# curl_cffi own-session path (legacy, back-compat).
# proxies: mobile-proxy egress (#806) — без прокси datacenter-IP блокируется Cian.
# Прокси: пул за флагом use_proxy_pool_curl (#2163), иначе env cian_proxy_url.
# Пусто → прямое подключение (dev/no-op). curl_proxy_url: mark_health + release на выходе.
# Пусто → прямое подключение (dev/no-op). На выходе mark_health/mark_banned + release.
# acurl_proxy_url (#3408 п.3): операции пула в потоке — синхронный вход держал event
# loop публичного tradein-backend (админ-ручка истории цен Циана, пара на листинг).
_env = config.cian_proxy_url if config is not None else None
with curl_proxy_url(config, proxy_provider, "cian", env_fallback_url=_env) as _proxy_url:
async with acurl_proxy_url(
config, proxy_provider, "cian", env_fallback_url=_env
) as _proxy_url:
own_session = build_curl_cffi_session(
proxy_url=_proxy_url,
timeout=25.0,
@ -242,7 +246,7 @@ async def fetch_detail(
try:
resp = await own_session.get(offer_url, allow_redirects=True)
if resp.status_code != 200:
# ВНУТРИ curl_proxy_url: поднятый отсюда ProxyBanError доходит до
# ВНУТРИ acurl_proxy_url: поднятый отсюда ProxyBanError доходит до
# пула (mark_banned на пару «узел × cian», #2600 п.2). Раньше здесь
# был `return None` — узел получал mark_health(ok=True) и оставался
# в выдаче Циану (#2700, 15 суток по 50 отказов в сутки).
@ -252,7 +256,7 @@ async def fetch_detail(
html = resp.text
# Капча приходит с HTTP 200, то есть мимо `_raise_if_blocked`. Спрашиваем
# ЗДЕСЬ, пока lease жив: общий parse-путь ниже поднимет то же исключение
# уже после выхода из `with curl_proxy_url`, где узлу проставлен
# уже после выхода из `async with acurl_proxy_url`, где узлу проставлен
# mark_health(ok=True) и бана пары «узел × cian» не будет (#3402).
title = _page_title(html)
if _is_captcha_title(title):