From 68b7c16d9d1045280fe1f37f829c67fa5a66d51d Mon Sep 17 00:00:00 2001 From: bot-backend Date: Wed, 9 Sep 2026 09:44:02 +0300 Subject: [PATCH] =?UTF-8?q?fix(msk-collector):=20=D0=BF=D0=B5=D1=80=D0=B5?= =?UTF-8?q?=D1=81=D0=BE=D0=B7=D0=B4=D0=B0=D0=B2=D0=B0=D1=82=D1=8C=20=D1=81?= =?UTF-8?q?=D0=B2=D0=BE=D1=8E=20=D0=B2=D0=BA=D0=BB=D0=B0=D0=B4=D0=BA=D1=83?= =?UTF-8?q?=20=D0=BA=D0=B0=D0=B6=D0=B4=D1=8B=D0=B5=2075=20=D0=B7=D0=B0?= =?UTF-8?q?=D0=B3=D1=80=D1=83=D0=B7=D0=BE=D0=BA?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Рендерер Chrome копит память по всем навигациям вкладки, а московский проход — под тысячу страниц в одной. Живьём поймано: вкладка падает с «Опаньки… Код ошибки: Out of Memory» при 34 ГБ свободных в системе — упирается рендерер, а не машина. Свежая вкладка стоит одну навигацию и обнуляет счёт. Закрывается только своя вкладка; контекст и вкладки владельца не трогаются. --- .../scripts/local-avito-msk/collect.py | 764 ++++++++++++++++++ 1 file changed, 764 insertions(+) create mode 100644 _wt-mskcol/tradein-mvp/scripts/local-avito-msk/collect.py diff --git a/_wt-mskcol/tradein-mvp/scripts/local-avito-msk/collect.py b/_wt-mskcol/tradein-mvp/scripts/local-avito-msk/collect.py new file mode 100644 index 00000000..945f959b --- /dev/null +++ b/_wt-mskcol/tradein-mvp/scripts/local-avito-msk/collect.py @@ -0,0 +1,764 @@ +#!/usr/bin/env python3 +"""Локальный ручной сборщик SERP Авито по Москве и МО (эпик #2989, трек 1). + +Запускается ВРУЧНУЮ с машины владельца. Прод-скрейпер, его расписания и +прокси-пул не задействованы вообще: браузер — уже открытый Chrome владельца +(подключение по CDP), парсер — импорт из scraper-kit, заливка — поток в psql +через ssh. Скрипт ничего не устанавливает и своего профиля не поднимает. + +Дефолтный режим — --measure 100 (замер): полный проход только по явному --full. +""" + +from __future__ import annotations + +import argparse +import asyncio +import csv +import io +import json +import math +import os +import random +import re +import subprocess +import sys +import time +from dataclasses import dataclass, field +from datetime import datetime, timezone +from pathlib import Path +from types import SimpleNamespace +from typing import Any, Iterable +from urllib.parse import parse_qsl, urlencode, urlsplit, urlunsplit + +# --- импорт парсера из scraper-kit без установки backend ------------------- +_KIT_SRC = Path(__file__).resolve().parents[2] / "packages" / "scraper-kit" / "src" +if str(_KIT_SRC) not in sys.path: + sys.path.insert(0, str(_KIT_SRC)) + +from scraper_kit.providers.avito.serp import ( # noqa: E402 + AvitoScraper, + _is_firewall_page, +) + +# Вкладка, открытая у владельца: вторичка, Москва + МО. +DEFAULT_BASE_URL = ( + "https://www.avito.ru/moskva_i_mo/kvartiry/prodam/vtorichka-ASgBAgICAkSSA8YQ5geMUg" + "?f=ASgBAgICA0SSA8YQ5geMUuDC3c0CgOkP" +) + +PAGE_SIZE = 60 # карточек на странице выдачи +MAX_PAGES = 30 # потолок пагинации Авито → 30*60 = 1800 на один запрос +HARD_CAP = PAGE_SIZE * MAX_PAGES + +PRICE_FLOOR = 500_000 # нижняя граница осмысленного коридора, ₽ +PRICE_PROBE_START = 8_000_000 # старт удвоения при поиске верхней границы +PRICE_CEIL = 2_000_000_000 +MIN_WIDTH_RATIO = 1.05 # уже этого коридор не делим (геометрическая ширина) +MAX_DEPTH = 12 + +_BATCH_ID_RE = re.compile(r"^[A-Za-z0-9._-]+$") +_POW_MARKERS = ("startpow", "доступ ограничен: проверка безопасности") + + +# Заполняется при входе в Loader.__aenter__ (playwright импортируется лениво, +# чтобы --help работал без установленного пакета). +PlaywrightTimeoutError: type[BaseException] = TimeoutError + + +# Через столько загрузок вкладка сборщика пересоздаётся (см. _recycle_if_needed). +PAGE_RECYCLE_EVERY = 75 + + +class Blocked(Exception): + """Первый признак блока. Ретраев нет — только немедленный стоп.""" + + def __init__(self, reason: str, detail: str = "") -> None: + super().__init__(f"{reason}: {detail}" if detail else reason) + self.reason = reason + self.detail = detail + + +class BudgetExhausted(Exception): + """Потолок --measure выбран: штатный выход, не ошибка.""" + + +# --- план коридоров -------------------------------------------------------- + + +@dataclass +class Corridor: + lo: int | None + hi: int | None + count: int | None = None + truncated: bool = False + pages_done: int = 0 + status: str = "pending" # pending | done + missed: int = 0 # заведомо недобрано (count - HARD_CAP), если truncated + + def label(self) -> str: + lo = "-" if self.lo is None else f"{self.lo:_}" + hi = "-" if self.hi is None else f"{self.hi:_}" + return f"[{lo} .. {hi}]" + + def to_json(self) -> dict[str, Any]: + return { + "lo": self.lo, "hi": self.hi, "count": self.count, + "truncated": self.truncated, "pages_done": self.pages_done, + "status": self.status, "missed": self.missed, + } + + @staticmethod + def from_json(d: dict[str, Any]) -> "Corridor": + return Corridor( + lo=d.get("lo"), hi=d.get("hi"), count=d.get("count"), + truncated=bool(d.get("truncated")), + pages_done=int(d.get("pages_done") or 0), + status=d.get("status") or "pending", missed=int(d.get("missed") or 0), + ) + + def planned_pages(self) -> int: + if not self.count: + return 1 + return max(1, min(MAX_PAGES, math.ceil(self.count / PAGE_SIZE))) + + +@dataclass +class Plan: + base_url: str + target: int + batch_id: str + corridors: list[Corridor] = field(default_factory=list) + created_at: str = "" + + def save(self, path: Path) -> None: + path.write_text( + json.dumps( + { + "version": 1, "base_url": self.base_url, "target": self.target, + "batch_id": self.batch_id, "created_at": self.created_at, + "corridors": [c.to_json() for c in self.corridors], + }, + ensure_ascii=False, indent=1, + ), + encoding="utf-8", + ) + + @staticmethod + def load(path: Path) -> "Plan": + d = json.loads(path.read_text(encoding="utf-8")) + return Plan( + base_url=d["base_url"], target=int(d["target"]), batch_id=d["batch_id"], + created_at=d.get("created_at", ""), + corridors=[Corridor.from_json(c) for c in d.get("corridors", [])], + ) + + +def build_url(base_url: str, page: int, lo: int | None, hi: int | None) -> str: + """URL коридора: pmin/pmax + пагинация. Гео-параметры не добавляем — #3043.""" + parts = urlsplit(base_url) + q = [(k, v) for k, v in parse_qsl(parts.query, keep_blank_values=True) + if k not in {"p", "pmin", "pmax"}] + if lo is not None: + q.append(("pmin", str(int(lo)))) + if hi is not None: + q.append(("pmax", str(int(hi)))) + if page > 1: + q.append(("p", str(page))) + return urlunsplit( + (parts.scheme, parts.netloc, parts.path, urlencode(q), parts.fragment) + ) + + +def geometric_mid(lo: int | None, hi: int) -> int: + """Геометрическая середина коридора. + + Цены логнормальны: арифметическая середина 1 млн..100 млн (≈50 млн) + отрезает вырожденно-пустую верхнюю половину. sqrt(lo*hi) делит выборку + заметно ровнее. + """ + low = max(int(lo or PRICE_FLOOR), 1) + mid = int(math.sqrt(low * float(hi))) + return max(low + 1, min(hi - 1, mid)) + + +def width_ratio(lo: int | None, hi: int | None) -> float: + if hi is None: + return float("inf") + return float(hi) / max(float(lo or PRICE_FLOOR), 1.0) + + +# --- загрузка страницы ----------------------------------------------------- + + +def _guard(html: str, status: int | None) -> None: + """Порядок проверок фиксирован заданием; первое срабатывание = стоп.""" + if status in (403, 439): + raise Blocked("platform", f"HTTP {status}") + if status == 429: + raise Blocked("ratelimit", "HTTP 429") + if _is_firewall_page(html): + raise Blocked("firewall", "firewall-страница на HTTP 200") + head = html[:4096].lower() + if any(m in head for m in _POW_MARKERS): + raise Blocked("challenge", "PoW / проверка безопасности") + + +class Loader: + """Одна СВОЯ вкладка в уже открытом Chrome владельца (CDP). + + Ни браузер, ни контекст, ни чужие вкладки не закрываются и не трогаются: + это рабочий Chrome с залогиненным техаккаунтом. + """ + + def __init__(self, delay: float, page_budget: int | None) -> None: + self._delay = delay + self._budget = page_budget + self.loads = 0 + self._page: Any = None + self._pw: Any = None + self._browser: Any = None + self._ctx: Any = None + self._last_load = 0.0 + self._loads_on_page = 0 + + async def __aenter__(self) -> "Loader": + from playwright.async_api import async_playwright + from playwright.async_api import TimeoutError as _PwTimeout + + global PlaywrightTimeoutError + PlaywrightTimeoutError = _PwTimeout + + endpoint = os.environ.get("AVITO_CDP", "http://localhost:9222") + self._pw = await async_playwright().start() + try: + self._browser = await self._pw.chromium.connect_over_cdp(endpoint) + except Exception as exc: # noqa: BLE001 — подсказка важнее типа + await self._pw.stop() + raise SystemExit( + f"Не удалось подключиться по CDP к {endpoint}: {exc}\n" + "Запусти Chrome с залогиненным техаккаунтом Авито и ключом " + "--remote-debugging-port=9222, либо укажи адрес в AVITO_CDP." + ) from exc + if not self._browser.contexts: + await self._pw.stop() + raise SystemExit( + "В подключённом Chrome нет ни одного контекста. Открой обычное окно " + "Chrome, запущенное с --remote-debugging-port=9222." + ) + self._ctx = self._browser.contexts[0] + self._page = await self._ctx.new_page() + return self + + async def __aexit__(self, *exc: object) -> None: + if self._page is not None: + try: + await self._page.close() # ТОЛЬКО своя вкладка + except Exception: # noqa: BLE001 + pass + if self._pw is not None: + try: + await self._pw.stop() + except Exception: # noqa: BLE001 + pass + + def budget_left(self) -> bool: + return self._budget is None or self.loads < self._budget + + async def _pause(self) -> None: + if self._last_load == 0.0: + return + jitter = self._delay * random.uniform(-0.2, 0.2) + wait = max(0.0, self._delay + jitter - (time.monotonic() - self._last_load)) + if wait > 0: + print(f" пауза {wait:.1f} с", flush=True) + await asyncio.sleep(wait) + + async def fetch(self, url: str) -> tuple[str, int | None]: + if not self.budget_left(): + raise BudgetExhausted() + await self._recycle_if_needed() + await self._pause() + resp = await self._goto(url) + self._loads_on_page += 1 + self.loads += 1 + self._last_load = time.monotonic() + status = resp.status if resp is not None else None + try: + await self._page.wait_for_selector('[data-marker="item"]', timeout=7_000) + except Exception: # noqa: BLE001 — пустая/блочная страница разбирается ниже + pass + html = await self._read_content() + _guard(html, status) + return html, status + + async def _recycle_if_needed(self) -> None: + """Каждые PAGE_RECYCLE_EVERY загрузок пересоздаём свою вкладку. + + Рендерер Chrome накапливает память по всем навигациям вкладки, а проход + по Москве — под тысячу страниц в одной. Наблюдалось живьём: вкладка + падала с «Опаньки… Код ошибки: Out of Memory» при 34 ГБ свободных в + системе, то есть упирался именно рендерер, а не машина. Свежая вкладка + стоит одну навигацию и обнуляет счёт. + + Закрывается ТОЛЬКО своя вкладка; контекст и чужие вкладки владельца не + трогаются — это его рабочий Chrome. + """ + if self._loads_on_page < PAGE_RECYCLE_EVERY: + return + print(f" вкладка пересоздаётся после {self._loads_on_page} загрузок " + "(память рендерера)", flush=True) + old = self._page + self._page = await self._ctx.new_page() + self._loads_on_page = 0 + try: + await old.close() + except Exception: # noqa: BLE001 — старая вкладка могла уже умереть + pass + + async def _goto(self, url: str, attempts: int = 3): + """goto с ограниченным ретраем на таймаут навигации. + + Авито изредка держит соединение до упора и goto падает по timeout. Это + НЕ признак отказа: в наблюдавшемся случае вкладка показывала нормальную + выдачу, а маркеров фаервола/PoW не было. Но и молча ретраить бесконечно + нельзя — тихий отказ выглядит ровно так же. Поэтому: перед каждым + повтором пробуем прочитать то, что в документе, и прогнать через _guard, + чтобы настоящий блок остановил прогон с правильной причиной; исчерпали + попытки — жёсткий стоп с причиной nav_timeout. + """ + for i in range(attempts): + try: + return await self._page.goto(url, wait_until="domcontentloaded", + timeout=90_000) + except PlaywrightTimeoutError: + try: + partial = await self._page.content() + except Exception: # noqa: BLE001 — документа может не быть вовсе + partial = "" + if partial: + _guard(partial, None) # настоящий блок остановит прогон здесь + if i == attempts - 1: + raise Blocked("nav_timeout") from None + print(f" таймаут навигации, попытка {i + 2}/{attempts}", flush=True) + await asyncio.sleep(10.0) + + async def _read_content(self, attempts: int = 4) -> str: + """page.content() с узким ретраем на гонку клиентской перенавигации. + + Авито дорисовывает выдачу после domcontentloaded, и content() иногда + попадает ровно в момент смены документа: "Unable to retrieve content + because the page is navigating and changing the content". Это НЕ отказ + площадки — гвардов не касается, поэтому ретраим только эту ошибку и + только её, а любую другую поднимаем как есть. + """ + last: Exception | None = None + for i in range(attempts): + try: + return await self._page.content() + except Exception as exc: # noqa: BLE001 — сузили проверкой текста ниже + if "page is navigating" not in str(exc): + raise + last = exc + print(f" content() поймал перенавигацию, попытка {i + 2}/{attempts}", + flush=True) + await asyncio.sleep(1.5) + raise RuntimeError(f"page.content() не отдал документ за {attempts} попыток") from last + + +# --- заливка в msk_raw ----------------------------------------------------- + + +def _sql_str(value: str) -> str: + return "'" + value.replace("'", "''") + "'" + + +def _csv_rows(rows: Iterable[dict[str, Any]]) -> str: + buf = io.StringIO() + writer = csv.writer(buf, lineterminator="\n") + for r in rows: + writer.writerow([ + r["source_id"], r["observed_at"], r["batch_id"], r["kind"], + r["url"], r["price"], r["payload"], + ]) + return buf.getvalue() + + +def build_sql(batch_id: str, query: str, rows: list[dict[str, Any]], + started_at: str, kind: str = "serp") -> str: + """Один поток на `psql -f -`: batch (FK!) → TEMP staging → \\copy → INSERT. + + Одиночный `psql -c` через ssh ломается на квотинге скобок и кавычек, поэтому + только поток. rows_new = разница count(*) по batch_id до и после вставки. + """ + bid = _sql_str(batch_id) + return ( + "BEGIN;\n" + "INSERT INTO msk_raw.batches (batch_id, kind, query, started_at)\n" + f"VALUES ({bid}, {_sql_str(kind)}, {_sql_str(query)}, " + f"CAST({_sql_str(started_at)} AS timestamptz))\n" + "ON CONFLICT (batch_id) DO NOTHING;\n" + "CREATE TEMP TABLE _stg (LIKE msk_raw.avito_cards INCLUDING DEFAULTS) " + "ON COMMIT DROP;\n" + "CREATE TEMP TABLE _before ON COMMIT DROP AS\n" + f" SELECT count(*) AS n FROM msk_raw.avito_cards WHERE batch_id = {bid};\n" + "\\copy _stg (source_id,observed_at,batch_id,kind,url,price,payload) " + "FROM STDIN WITH (FORMAT csv)\n" + + _csv_rows(rows) + + "\\.\n" + "INSERT INTO msk_raw.avito_cards " + "(source_id,observed_at,batch_id,kind,url,price,payload)\n" + "SELECT source_id,observed_at,batch_id,kind,url,price,payload FROM _stg\n" + "ON CONFLICT (source_id,batch_id,kind) DO NOTHING;\n" + "UPDATE msk_raw.batches b SET\n" + " rows_sent = coalesce(b.rows_sent,0) + (SELECT count(*) FROM _stg),\n" + " rows_new = coalesce(b.rows_new,0) +\n" + f" ((SELECT count(*) FROM msk_raw.avito_cards WHERE batch_id = {bid})\n" + " - (SELECT n FROM _before))\n" + f"WHERE b.batch_id = {bid};\n" + "COMMIT;\n" + ) + + +def build_finalize_sql(batch_id: str, query: str, notes: str) -> str: + bid = _sql_str(batch_id) + return ( + "INSERT INTO msk_raw.batches (batch_id, kind, query, started_at)\n" + f"VALUES ({bid}, 'serp', {_sql_str(query)}, now())\n" + "ON CONFLICT (batch_id) DO NOTHING;\n" + f"UPDATE msk_raw.batches SET finished_at = now(), notes = {_sql_str(notes)}\n" + f"WHERE batch_id = {bid};\n" + ) + + +def run_psql(sql: str, ssh_host: str, container: str, db_user: str, db_name: str) -> None: + cmd = [ + "ssh", ssh_host, + f"docker exec -i {container} psql -U {db_user} -d {db_name} " + "-v ON_ERROR_STOP=1 -f -", + ] + proc = subprocess.run(cmd, input=sql.encode("utf-8"), capture_output=True) + out = (proc.stdout + proc.stderr).decode("utf-8", "replace").strip() + if proc.returncode != 0: + raise RuntimeError(f"psql через ssh вернул {proc.returncode}:\n{out}") + if out: + print(f" psql: {out}", flush=True) + + +# --- накопитель карточек --------------------------------------------------- + + +@dataclass +class Sink: + """Батчами на прод (ssh+psql) или в локальный CSV при --dry-run.""" + + batch_id: str + started_at: str + query: str + batch_size: int + dry_run: bool + csv_path: Path + ssh_host: str + container: str + db_user: str + db_name: str + buffer: list[dict[str, Any]] = field(default_factory=list) + sent: int = 0 + skipped_non_numeric: int = 0 + + def add(self, lot: Any) -> None: + raw_id = str(getattr(lot, "source_id", "") or "") + try: + source_id = int(raw_id) # в БД bigint, у ScrapedLot — строка + except (TypeError, ValueError): + self.skipped_non_numeric += 1 + return + payload = lot.model_dump(mode="json") + self.buffer.append({ + "source_id": source_id, + "observed_at": datetime.now(timezone.utc).isoformat(), + "batch_id": self.batch_id, + "kind": "serp", + "url": payload.get("source_url"), + "price": payload.get("price_rub"), + "payload": json.dumps(payload, ensure_ascii=False), + }) + + def maybe_flush(self) -> None: + if len(self.buffer) >= self.batch_size: + self.flush() + + def flush(self) -> None: + if not self.buffer: + return + rows, self.buffer = self.buffer, [] + if self.dry_run: + fresh = not self.csv_path.exists() + with self.csv_path.open("a", encoding="utf-8", newline="") as fh: + if fresh: + fh.write("source_id,observed_at,batch_id,kind,url,price,payload\n") + fh.write(_csv_rows(rows)) + print(f" [dry-run] {len(rows)} строк → {self.csv_path}", flush=True) + else: + run_psql( + build_sql(self.batch_id, self.query, rows, self.started_at), + self.ssh_host, self.container, self.db_user, self.db_name, + ) + print(f" залито {len(rows)} строк в msk_raw.avito_cards", flush=True) + self.sent += len(rows) + + def finalize(self, notes: str) -> None: + self.flush() + if self.dry_run: + print(f" [dry-run] finalize: {notes}", flush=True) + return + run_psql( + build_finalize_sql(self.batch_id, self.query, notes), + self.ssh_host, self.container, self.db_user, self.db_name, + ) + + +# --- сбор ------------------------------------------------------------------ + + +def parse_page(scraper: AvitoScraper, html: str, url: str) -> tuple[int | None, list[Any]]: + count = scraper._extract_total_count(html) + lots = scraper._parse_html(html, "https://www.avito.ru") + if not lots and count: + raise Blocked("empty_page", f"0 карточек при счётчике {count}: {url}") + return count, lots + + +async def probe(loader: Loader, scraper: AvitoScraper, base_url: str, + lo: int | None, hi: int | None) -> tuple[int | None, list[Any]]: + url = build_url(base_url, 1, lo, hi) + html, _ = await loader.fetch(url) + return parse_page(scraper, html, url) + + +async def build_plan(loader: Loader, scraper: AvitoScraper, base_url: str, target: int, + cache: dict[tuple[int | None, int | None], list[Any]] + ) -> list[Corridor]: + """Адаптивная бисекция по цене; страница 1 каждого коридора кэшируется.""" + corridors: list[Corridor] = [] + + def emit(lo: int | None, hi: int | None, count: int | None, + truncated: bool, lots: list[Any]) -> None: + missed = max(0, (count or 0) - HARD_CAP) if truncated else 0 + c = Corridor(lo=lo, hi=hi, count=count, truncated=truncated, missed=missed) + corridors.append(c) + cache[(lo, hi)] = lots + flag = " TRUNCATED" if truncated else "" + print(f" коридор {c.label()} count={count} " + f"страниц={c.planned_pages()}{flag}", flush=True) + if truncated: + print(f" ВНИМАНИЕ: коридор {c.label()} не влезает в потолок " + f"{HARD_CAP}; заведомо не добрано ~{missed} объявлений", flush=True) + + async def find_upper(lo: int | None) -> int: + """Верхнюю границу открытого коридора ищем удвоением от разумного старта.""" + cand = max(int(lo or PRICE_FLOOR) * 2, PRICE_PROBE_START) + while cand < PRICE_CEIL: + cnt, _ = await probe(loader, scraper, base_url, cand, None) + print(f" проба хвоста pmin={cand:_} count={cnt}", flush=True) + if cnt is not None and cnt <= target: + return cand + cand *= 2 + return cand + + async def split(lo: int | None, hi: int | None, depth: int, + count: int | None, lots: list[Any]) -> None: + if count is None: + url = build_url(base_url, 1, lo, hi) + raise Blocked("empty_page", f"счётчик не прочитался: {url}") + if count <= target: + emit(lo, hi, count, False, lots) + return + if depth >= MAX_DEPTH or width_ratio(lo, hi) <= MIN_WIDTH_RATIO: + # Предохранитель: не молчим — помечаем truncated и считаем недобор. + emit(lo, hi, count, count > HARD_CAP, lots) + return + upper = hi if hi is not None else await find_upper(lo) + if hi is None: + tail_cnt, tail_lots = await probe(loader, scraper, base_url, upper, None) + emit(upper, None, tail_cnt, + bool(tail_cnt and tail_cnt > HARD_CAP), tail_lots) + mid = geometric_mid(lo, upper) + for sub_lo, sub_hi in ((lo, mid), (mid, upper)): + sub_cnt, sub_lots = await probe(loader, scraper, base_url, sub_lo, sub_hi) + print(f" проба {sub_lo or '-'}..{sub_hi} count={sub_cnt}", flush=True) + await split(sub_lo, sub_hi, depth + 1, sub_cnt, sub_lots) + + root_cnt, root_lots = await probe(loader, scraper, base_url, None, None) + print(f"Всего по базовому запросу: {root_cnt}", flush=True) + await split(None, None, 0, root_cnt, root_lots) + return corridors + + +async def collect(args: argparse.Namespace) -> int: + # avito_serp_ekb_only=False обязателен: с True парсер выбрасывает всё, где в + # URL нет /ekaterinburg/ — то есть все подмосковные слаги (serp.py:2154). + scraper = AvitoScraper( + SimpleNamespace(avito_serp_ekb_only=False), # type: ignore[arg-type] + target_city_slug="moskva", + ) + out_dir = Path(args.out_dir).resolve() + out_dir.mkdir(parents=True, exist_ok=True) + plan_path = out_dir / f"plan-{args.batch_id}.json" + csv_path = out_dir / f"cards-{args.batch_id}.csv" + started_at = datetime.now(timezone.utc).isoformat() + + plan: Plan | None = None + if args.resume: + if not plan_path.exists(): + print(f"--resume: плана нет — {plan_path}", file=sys.stderr) + return 1 + plan = Plan.load(plan_path) + done = sum(1 for c in plan.corridors if c.status == "done") + print(f"Resume по {plan_path}: коридоров {len(plan.corridors)}, " + f"готово {done}", flush=True) + + # Resume: URL берём из сохранённого плана, а не из CLI — коридоры посчитаны + # именно под него. Расхождение = молчаливая заливка чужой выдачи под тем же + # batch_id, поэтому это ошибка, а не тихий приоритет одного из двух. + if plan is not None and plan.base_url != args.base_url: + raise SystemExit( + "--resume: план построен для другого URL." + f" В плане {plan.base_url}, в аргументах {args.base_url}." + " Убери --base-url (возьмётся из плана) либо начни новый batch_id." + ) + base_url = plan.base_url if plan is not None else args.base_url + + page_budget = None if args.full else args.measure + mode = "FULL" if args.full else f"MEASURE<={page_budget}" + print(f"Режим: {mode}; batch_id={args.batch_id}; delay={args.delay}s; " + f"target={args.target_count}; dry_run={args.dry_run}", flush=True) + + sink = Sink( + batch_id=args.batch_id, started_at=started_at, query=base_url, + batch_size=args.batch_size, dry_run=args.dry_run, csv_path=csv_path, + ssh_host=args.ssh_host, container=args.container, + db_user=args.db_user, db_name=args.db_name, + ) + cache: dict[tuple[int | None, int | None], list[Any]] = {} + total = 0 + stop_reason = "" + rc = 0 + loads = 0 + + async with Loader(args.delay, page_budget) as loader: + try: + if plan is None: + print("Строю план коридоров...", flush=True) + corridors = await build_plan(loader, scraper, base_url, + args.target_count, cache) + plan = Plan(base_url=base_url, target=args.target_count, + batch_id=args.batch_id, corridors=corridors, + created_at=started_at) + plan.save(plan_path) + print(f"План сохранён: {plan_path} ({len(corridors)} коридоров)", + flush=True) + + for corridor in plan.corridors: + if corridor.status == "done": + continue + pages = corridor.planned_pages() + print(f"Коридор {corridor.label()} count={corridor.count} " + f"страниц={pages} (с {corridor.pages_done + 1})", flush=True) + for page in range(corridor.pages_done + 1, pages + 1): + key = (corridor.lo, corridor.hi) + if page == 1 and key in cache: + lots = cache.pop(key) # страница 1 уже скачана при планировании + else: + url = build_url(base_url, page, corridor.lo, corridor.hi) + html, _ = await loader.fetch(url) + _, lots = parse_page(scraper, html, url) + for lot in lots: + sink.add(lot) + total += len(lots) + corridor.pages_done = page + print(f" стр.{page}/{pages}: карточек {len(lots)}, " + f"итого {total}", flush=True) + sink.maybe_flush() + plan.save(plan_path) + if not lots: + print(" пустая страница — конец коридора", flush=True) + break + corridor.status = "done" + plan.save(plan_path) + except BudgetExhausted: + stop_reason = "потолок --measure исчерпан" + print(f"Стоп: {stop_reason}", flush=True) + except Blocked as exc: + stop_reason = f"BLOCKED/{exc.reason}: {exc.detail}" + print(f"СТОП: {stop_reason}", file=sys.stderr, flush=True) + rc = 2 + finally: + loads = loader.loads + if plan is not None: + plan.save(plan_path) + + truncated = [c for c in (plan.corridors if plan else []) if c.truncated] + missed = sum(c.missed for c in truncated) + notes = "; ".join(x for x in [ + f"mode={mode}", f"loads={loads}", f"cards={total}", + f"skipped_non_numeric={sink.skipped_non_numeric}", + (f"truncated_corridors={len(truncated)} missed~{missed}" if truncated else ""), + stop_reason, + ] if x) + try: + sink.finalize(notes) + except Exception as exc: # noqa: BLE001 — не прятать исходную причину стопа + print(f"finalize провалился: {exc}", file=sys.stderr) + rc = rc or 1 + print(f"Готово. Загрузок: {loads}; карточек: {total}; отправлено: {sink.sent}; " + f"пропущено нечисловых source_id: {sink.skipped_non_numeric}; " + f"notes: {notes}", flush=True) + return rc + + +def parse_args(argv: list[str] | None = None) -> argparse.Namespace: + p = argparse.ArgumentParser( + prog="collect.py", + description="Ручной сбор SERP Авито (вторичка, Москва+МО) в прод-схему msk_raw.", + ) + p.add_argument("--base-url", default=DEFAULT_BASE_URL, + help="базовый URL выдачи (дефолт — вкладка владельца)") + p.add_argument("--measure", type=int, default=100, metavar="N", + help="режим замера: не больше N загрузок страниц (дефолт 100)") + p.add_argument("--full", action="store_true", + help="полный проход без потолка страниц (включается только явно)") + p.add_argument("--dry-run", action="store_true", + help="ничего не слать на прод, писать CSV локально") + p.add_argument("--resume", action="store_true", + help="продолжить по сохранённому плану коридоров") + p.add_argument("--delay", type=float, default=8.0, + help="пауза между загрузками, с (±20%% джиттер, дефолт 8.0)") + p.add_argument("--batch-size", type=int, default=1000, + help="карточек в одной заливке (дефолт 1000)") + p.add_argument("--target-count", type=int, default=1500, + help="целевой размер коридора; больше — делим (дефолт 1500)") + p.add_argument("--batch-id", default=None, + help="batch_id в msk_raw.batches (дефолт msk-serp-)") + p.add_argument("--out-dir", default=str(Path(__file__).resolve().parent / "runs"), + help="каталог плана/CSV") + p.add_argument("--ssh-host", default="selectel", help="ssh-хост прода") + p.add_argument("--container", default="tradein-postgres", + help="имя контейнера Postgres на проде") + p.add_argument("--db-user", default="tradein") + p.add_argument("--db-name", default="tradein") + args = p.parse_args(argv) + if args.batch_id is None: + args.batch_id = "msk-serp-" + datetime.now(timezone.utc).strftime("%Y%m%d-%H%M%S") + if not _BATCH_ID_RE.match(args.batch_id): + p.error("--batch-id: допустимы только символы [A-Za-z0-9._-]") + if args.measure < 1: + p.error("--measure должен быть >= 1") + return args + + +def main(argv: list[str] | None = None) -> int: + return asyncio.run(collect(parse_args(argv))) + + +if __name__ == "__main__": + raise SystemExit(main()) -- 2.45.3