_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-<UTC>)")
+    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())