feat(scrapers): avito SERP дефолт на BrowserFetcher (camoufox), curl_cffi fallback (#1805)

tradein-mvp/backend/app/core/config.py

@@ -283,12 +283,13 @@ class Settings(BaseSettings):
     cian_login_success_cookie: str = "DMIR_AUTH"
     cian_login_wait_ms: int = 4000
 
-    # ── #884/#905: BrowserFetcher — HTTP-клиент к tradein-browser контейнеру ────
+    # ── #884/#905/#1805: BrowserFetcher — HTTP-клиент к tradein-browser ─────────
-    # scraper_fetch_mode: "curl_cffi" (дефолт, текущее поведение) или "browser"
+    # scraper_fetch_mode: "browser" (дефолт с #1805 — HTTP POST к tradein-browser
-    # (HTTP POST к tradein-browser /fetch эндпоинту). Phase 1+.
+    # /fetch через per-provider camoufox + ротирующий backconnect-прокси) или
-    # Пока дефолт "curl_cffi" — никаких изменений в рантайме.
+    # "curl_cffi" (legacy TLS-impersonate путь). Phase 2 epic #883: avito SERP-фетч
-    # ENV: SCRAPER_FETCH_MODE.
+    # по умолчанию через браузер; curl_cffi сохранён как fallback (см.
-    scraper_fetch_mode: Literal["curl_cffi", "browser"] = "curl_cffi"
+    # AvitoScraper._fetch_serp_html) и явный opt-out через ENV SCRAPER_FETCH_MODE.
+    scraper_fetch_mode: Literal["curl_cffi", "browser"] = "browser"
     # HTTP-эндпоинт tradein-browser сервиса. В Docker-сети — имя сервиса из compose.
     # ENV: BROWSER_HTTP_ENDPOINT.
     browser_http_endpoint: str = "http://tradein-browser:3000"

tradein-mvp/backend/app/services/scrapers/avito.py

@@ -339,11 +339,21 @@ class AvitoScraper(BaseScraper):
                 logger.warning(
                     "avito: proactive IP rotate at sweep start raised — proceeding", exc_info=True
                 )
-        if settings.scraper_fetch_mode == "browser":
+        if settings.scraper_fetch_mode != "curl_cffi":
+            # Default (#1805): SERP-фетч через camoufox (tradein-browser per-provider
+            # + ротирующий backconnect-прокси). curl_cffi поднимаем тут же как
+            # FALLBACK — если браузер отдаёт firewall/пусто, _fetch_serp_html делает
+            # один retry через curl_cffi. _build_cffi_session самодостаточен
+            # (отдельный AsyncSession, не зависит от BaseScraper.__aenter__).
             self._browser = BrowserFetcher(source="avito")
             await self._browser.__aenter__()
-            logger.info("avito: SERP fetch via BrowserFetcher (camoufox) — #901")
+            self._cffi = self._build_cffi_session()
+            logger.info(
+                "avito: SERP fetch via BrowserFetcher (camoufox) default, "
+                "curl_cffi fallback armed — #1805"
+            )
             return self
+        # Explicit opt-out: legacy curl_cffi-only путь (SCRAPER_FETCH_MODE=curl_cffi).
         await super().__aenter__()
         self._cffi = self._build_cffi_session()
         return self
@@ -413,40 +423,86 @@ class AvitoScraper(BaseScraper):
             return False
 
     async def _fetch_serp_html(self, url: str, page: int) -> str | None:
-        """GET SERP HTML с детектом IP-бана и ротацией мобильного IP (#623).
+        """GET SERP HTML — dispatcher между browser-default и curl_cffi (#1805).
 
-        Avito на забаненном datacenter-IP отдаёт HTTP 200 + firewall-страницу
+        Если поднят BrowserFetcher (default с #1805) — фетчим через camoufox с
-        (не 403). Детектим по тексту; если задана changeip-ссылка — меняем IP и
+        curl_cffi-fallback на firewall (_fetch_serp_html_browser). Иначе
-        повторяем до ``avito_proxy_max_rotations`` раз. Транзиентные сетевые
+        (legacy/explicit curl_cffi opt-out, либо тесты с прямым _cffi) — прямой
-        обрывы (мобильный канал) ретраим без ротации.
+        curl_cffi-путь (_fetch_serp_html_cffi).
+
+        Returns:
+            HTML при успехе, либо ``None`` при non-200 (конец пагинации).
+        Raises:
+            AvitoBlockedError / AvitoRateLimitedError — если бан не снят.
+        """
+        if self._browser is not None:
+            return await self._fetch_serp_html_browser(url, page)
+        return await self._fetch_serp_html_cffi(url, page)
+
+    async def _fetch_serp_html_browser(self, url: str, page: int) -> str | None:
+        """SERP-фетч через camoufox-браузер (#1805, default) с curl_cffi-fallback.
+
+        Браузер не отдаёт HTTP-статус — бан виден только как rendered firewall-HTML
+        (camoufox исполняет JS, поэтому firewall-интерстициал приходит готовым
+        документом; ловим теми же текст-маркерами _is_firewall_page).
+
+        Pipeline:
+          1. browser.fetch → firewall? → ротация IP (до max_rotations) + retry.
+          2. Ротация исчерпана и всё ещё firewall/пусто → ОДИН retry через curl_cffi
+             (другой egress/TLS-fingerprint может проскочить). curl-fallback
+             доступен только если _cffi поднят (standalone __aenter__); в
+             pipeline-режиме с shared-browser _cffi=None → fallback пропускается.
+          3. curl-fallback тоже firewall/пусто (или недоступен) → AvitoBlockedError.
+        """
+        assert self._browser is not None
+        max_rot = settings.avito_proxy_max_rotations if settings.avito_proxy_rotate_url else 0
+        rot_done = 0
+        while True:
+            html = await self._browser.fetch(url)
+            if not _is_firewall_page(html):
+                return html
+            if rot_done < max_rot and await self._rotate_ip():
+                rot_done += 1
+                logger.info(
+                    "avito page=%d browser firewall — retry after rotation #%d",
+                    page,
+                    rot_done,
+                )
+                continue
+            # Ротация исчерпана/недоступна. Fallback: один retry через curl_cffi.
+            if self._cffi is not None:
+                logger.warning(
+                    "avito page=%d browser firewall — falling back to curl_cffi (#1805)",
+                    page,
+                )
+                try:
+                    fb_html = await self._fetch_serp_html_cffi(url, page)
+                except (AvitoBlockedError, AvitoRateLimitedError):
+                    # curl-fallback тоже забанен → пробрасываем как hard-block.
+                    logger.error("avito page=%d curl_cffi fallback also blocked url=%s", page, url)
+                    raise
+                if fb_html is None or not _is_firewall_page(fb_html):
+                    # None = non-200/конец пагинации; иначе валидный HTML.
+                    return fb_html
+                logger.error("avito page=%d curl_cffi fallback still firewall url=%s", page, url)
+            logger.error("avito SERP firewall in browser-mode page=%d url=%s", page, url)
+            raise AvitoBlockedError(
+                f"Avito SERP firewall (browser-mode) at page={page} — IP banned"
+            )
+
+    async def _fetch_serp_html_cffi(self, url: str, page: int) -> str | None:
+        """GET SERP HTML через curl_cffi (legacy/fallback путь) с anti-block-логикой.
+
+        Avito на забаненном datacenter-IP отдаёт HTTP 200 + firewall-страницу (не
+        403). 429 через backconnect-прокси — transient conn-limit (short-retry без
+        ротации). 403/firewall на backconnect — залочен текущий exit-IP, escape
+        через reconnect (_reset_cffi) либо changeip-ротацию.
 
         Returns:
             HTML при HTTP 200, либо ``None`` при non-200 (конец пагинации).
-            В browser-mode HTTP-статус недоступен: метод возвращает HTML или
-            поднимает ``AvitoBlockedError`` (pagination ends via empty-parse in callers).
         Raises:
-            AvitoBlockedError / AvitoRateLimitedError — если бан не снят ротацией.
+            AvitoBlockedError / AvitoRateLimitedError — если бан не снят.
         """
-        if self._browser is not None:
-            # Browser-mode (#901): no HTTP status code — soft firewall-detect + rotate.
-            max_rot = settings.avito_proxy_max_rotations if settings.avito_proxy_rotate_url else 0
-            rot_done = 0
-            while True:
-                html = await self._browser.fetch(url)
-                if _is_firewall_page(html):
-                    if rot_done < max_rot and await self._rotate_ip():
-                        rot_done += 1
-                        logger.info(
-                            "avito page=%d browser firewall — retry after rotation #%d",
-                            page,
-                            rot_done,
-                        )
-                        continue
-                    logger.error("avito SERP firewall in browser-mode page=%d url=%s", page, url)
-                    raise AvitoBlockedError(
-                        f"Avito SERP firewall (browser-mode) at page={page} — IP banned"
-                    )
-                return html
         assert self._cffi is not None
         max_rot = settings.avito_proxy_max_rotations if settings.avito_proxy_rotate_url else 0
         # curl_cffi-сессия всегда egress через settings.scraper_proxy_url (backconnect
@@ -1901,8 +1957,7 @@ _NOT_ADDRESS_TAIL_RE = re.compile(
 #   первую букву обычного слова. Корпус «сN/кN» требует цифры, поэтому не путается
 #   с маркерами «с.» (село) / «к» — у тех нет цифры вплотную.
 _GLUE_MARKER = (
-    r"(?:р-?н|мкр\.?|микрорайон|район|г\.|пос\.?|посёлок|поселок"
+    r"(?:р-?н|мкр\.?|микрорайон|район|г\.|пос\.?|посёлок|поселок" r"|снт|кв-л|квартал|д\.|с\.|пгт)"
-    r"|снт|кв-л|квартал|д\.|с\.|пгт)"
 )
 _GLUE_HOUSE_TOKEN = (
     r"\d+"  # дом: цифры

tradein-mvp/backend/tests/test_avito_browser_mode.py

@@ -1,9 +1,10 @@
-"""#901 — avito SERP fetch via BrowserFetcher behind scraper_fetch_mode flag.
+"""#901/#1805 — avito SERP fetch via BrowserFetcher (camoufox), curl_cffi fallback.
 
 Tests:
-1. browser branch chosen: mode="browser" → _browser set, _cffi is None, HTML from mock browser.
+1. browser branch default (#1805): __aenter__ → _browser set AND _cffi fallback armed.
-2. curl branch unchanged: default mode → _browser is None, _cffi session used.
+2. curl branch unchanged: _browser is None → _cffi session used directly.
-3. firewall-detect in browser-mode: firewall HTML + no rotate URL → AvitoBlockedError.
+3. firewall-detect in browser-mode: firewall HTML + no rotate URL + no cffi → AvitoBlockedError.
+3b. #1805 curl_cffi fallback: browser firewall → curl retry returns HTML / re-raises if also banned.
 4. pagination terminates via empty-parse: browser HTML with 0 lots → caller loop breaks.
 
 Без сети, без БД, без curl_cffi.
@@ -45,8 +46,12 @@ def _make_mock_browser(html: str = _NORMAL_HTML) -> MagicMock:
 
 
 @pytest.mark.asyncio
-async def test_aenter_browser_mode_sets_browser_attribute() -> None:
+async def test_aenter_browser_mode_arms_cffi_fallback() -> None:
-    """mode=browser → __aenter__ instantiates BrowserFetcher, _cffi stays None."""
+    """#1805: mode=browser → __aenter__ поднимает BrowserFetcher И curl_cffi-fallback.
+
+    Раньше browser-mode оставлял _cffi=None; теперь curl_cffi-сессия строится тут
+    же как fallback на firewall/пусто (см. _fetch_serp_html_browser).
+    """
     mock_browser = _make_mock_browser()
     scraper = AvitoScraper()
 
@@ -60,16 +65,13 @@ async def test_aenter_browser_mode_sets_browser_attribute() -> None:
             "app.services.scrapers.avito.BrowserFetcher",
             return_value=mock_browser,
         ):
-            # Patch BaseScraper.__aenter__ so we skip its real setup (DB/network)
+            result = await scraper.__aenter__()
-            with patch(
-                "app.services.scrapers.base.BaseScraper.__aenter__",
-                new=AsyncMock(return_value=scraper),
-            ):
-                result = await scraper.__aenter__()
 
     assert result is scraper
     assert scraper._browser is mock_browser
-    assert scraper._cffi is None
+    # curl_cffi fallback armed (real AsyncSession built, no network/proxy).
+    assert scraper._cffi is not None
+    await scraper._cffi.close()
 
 
 @pytest.mark.asyncio
@@ -199,10 +201,11 @@ async def test_fetch_serp_html_curl_mode_uses_cffi() -> None:
 
 @pytest.mark.asyncio
 async def test_browser_mode_firewall_raises_blocked_error() -> None:
-    """Browser returns firewall page + no rotate URL configured → AvitoBlockedError."""
+    """Browser firewall + no rotate URL + no curl fallback (_cffi=None) → AvitoBlockedError."""
     scraper = AvitoScraper()
     mock_browser = _make_mock_browser(_FIREWALL_HTML)
     scraper._browser = mock_browser
+    scraper._cffi = None  # no curl_cffi fallback available (pipeline shared-browser path)
 
     with patch("app.services.scrapers.avito.settings") as mock_settings:
         mock_settings.avito_proxy_rotate_url = None  # no rotation configured
@@ -212,6 +215,61 @@ async def test_browser_mode_firewall_raises_blocked_error() -> None:
             await scraper._fetch_serp_html("https://www.avito.ru/test", page=1)
 
 
+# ---------------------------------------------------------------------------
+# 3b. #1805 — curl_cffi fallback when browser returns firewall
+# ---------------------------------------------------------------------------
+
+
+@pytest.mark.asyncio
+async def test_browser_firewall_falls_back_to_cffi_returns_html() -> None:
+    """#1805: browser firewall + curl_cffi fallback armed → curl returns clean HTML."""
+    scraper = AvitoScraper()
+    scraper._browser = _make_mock_browser(_FIREWALL_HTML)
+
+    # curl_cffi fallback: HTTP 200 with clean (non-firewall) HTML.
+    mock_resp = MagicMock()
+    mock_resp.status_code = 200
+    mock_resp.text = _NORMAL_HTML
+    mock_cffi = MagicMock()
+    mock_cffi.get = AsyncMock(return_value=mock_resp)
+    scraper._cffi = mock_cffi
+
+    with patch("app.services.scrapers.avito.settings") as mock_settings:
+        mock_settings.avito_proxy_rotate_url = None
+        mock_settings.avito_proxy_max_rotations = 0
+        mock_settings.scraper_proxy_url = None
+
+        result = await scraper._fetch_serp_html("https://www.avito.ru/test", page=1)
+
+    assert result == _NORMAL_HTML
+    mock_cffi.get.assert_awaited_once_with("https://www.avito.ru/test")
+
+
+@pytest.mark.asyncio
+async def test_browser_firewall_cffi_fallback_also_firewall_raises() -> None:
+    """#1805: browser firewall AND curl_cffi fallback also firewall → AvitoBlockedError."""
+    scraper = AvitoScraper()
+    scraper._browser = _make_mock_browser(_FIREWALL_HTML)
+
+    # curl_cffi fallback: HTTP 200 but ALSO firewall HTML → no escape.
+    mock_resp = MagicMock()
+    mock_resp.status_code = 200
+    mock_resp.text = _FIREWALL_HTML
+    mock_cffi = MagicMock()
+    mock_cffi.get = AsyncMock(return_value=mock_resp)
+    scraper._cffi = mock_cffi
+
+    with patch("app.services.scrapers.avito.settings") as mock_settings:
+        mock_settings.avito_proxy_rotate_url = None
+        mock_settings.avito_proxy_max_rotations = 0
+        mock_settings.scraper_proxy_url = None  # no backconnect reconnect retries
+
+        # curl fallback raises its own AvitoBlockedError (firewall на HTTP 200);
+        # browser branch re-raises it as a hard-block.
+        with pytest.raises(AvitoBlockedError):
+            await scraper._fetch_serp_html("https://www.avito.ru/test", page=1)
+
+
 @pytest.mark.asyncio
 async def test_browser_mode_firewall_rotates_and_retries() -> None:
     """Browser returns firewall on first call, normal HTML after rotation → returns HTML."""