gendesign/tradein-mvp/backend/app/services/scrapers/base.py

"""Базовый framework для парсеров объявлений (Avito / Cian / DomKlik / ...).

Общие задачи:
- httpx.AsyncClient с realistic browser headers + UA rotation
- tenacity retry с exp backoff
- Sleep между запросами (anti-ban)
- ScrapedLot — единая Pydantic схема всех источников
- Запись в `listings` Postgres с дедупом по dedup_hash

Каждый конкретный парсер (avito.py, cian.py, ...) наследуется от BaseScraper
и реализует `_fetch_page()` и `_parse_listings()`.
"""

from __future__ import annotations

import asyncio
import hashlib
import logging
import random
from abc import ABC, abstractmethod
from datetime import date
from typing import Any

import httpx
from pydantic import BaseModel, Field
from sqlalchemy import text
from sqlalchemy.orm import Session
from tenacity import retry, stop_after_attempt, wait_exponential

logger = logging.getLogger(__name__)


# ── Realistic browser User-Agents (Apr 2026 versions) ──────────────────────
_USER_AGENTS: list[str] = [
    # Chrome on macOS
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/132.0.0.0 Safari/537.36",
    # Chrome on Windows
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/132.0.0.0 Safari/537.36",
    # Firefox on macOS
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 14.5; rv:127.0) Gecko/20100101 Firefox/127.0",
    # Safari on macOS
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 14_5) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.5 Safari/605.1.15",
    # Edge on Windows
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/132.0.0.0 Safari/537.36 Edg/132.0.0.0",
]


def random_user_agent() -> str:
    return random.choice(_USER_AGENTS)


# ── Унифицированная схема результата ────────────────────────────────────────
class ScrapedLot(BaseModel):
    """Результат парсинга одного объявления.

    Все источники приводятся к этому виду перед записью в Postgres.
    Поля optional если источник их не отдаёт.
    """

    source: str                                # 'avito' / 'cian' / 'domklik' / ...
    source_url: str                            # ссылка на оригинал — кликается из UI
    source_id: str | None = None               # внутренний id источника (для update)

    # Локация — должна быть хотя бы address ИЛИ (lat, lon)
    address: str | None = None
    lat: float | None = None
    lon: float | None = None

    # Параметры квартиры
    rooms: int | None = None                   # 0 = студия
    area_m2: float | None = None
    floor: int | None = None
    total_floors: int | None = None
    year_built: int | None = None
    house_type: str | None = None
    repair_state: str | None = None
    has_balcony: bool | None = None
    kadastr_num: str | None = None

    # Цена (обязательно)
    price_rub: int = Field(gt=0)
    price_per_m2: int | None = None

    # Метаданные
    listing_date: date | None = None
    days_on_market: int | None = None
    photo_urls: list[str] = Field(default_factory=list)
    raw_payload: dict[str, Any] | None = None

    def compute_dedup_hash(self) -> str:
        """SHA256(source + (source_id или source_url) + price_rub) — стабильный uniqueness key.

        Cian URL содержит random `?context=...` токены — поэтому ключ берём
        source_id (offer_id 330200428), а не source_url. Если source_id нет —
        откатываемся на source_url (Yandex, Avito с offerId).
        """
        h = hashlib.sha256()
        h.update(self.source.encode())
        h.update(b"|")
        key = self.source_id if self.source_id else self.source_url
        h.update((key or "").encode())
        h.update(b"|")
        h.update(str(self.price_rub).encode())
        return h.hexdigest()

    def compute_price_per_m2(self) -> int | None:
        """price_per_m2 = price_rub / area_m2 если area задана."""
        if self.area_m2 and self.area_m2 > 0:
            return int(self.price_rub / self.area_m2)
        return None


# ── BaseScraper ─────────────────────────────────────────────────────────────
class BaseScraper(ABC):
    """Базовый класс — наследовать для каждого источника.

    Subclass должен реализовать:
    - `name` (class attr) — 'avito' / 'cian' / ...
    - `_fetch_page(client, ...)` — async GET к источнику
    - `_parse_listings(html_or_json, ...)` — html → list[ScrapedLot]
    """

    name: str = "base"
    base_url: str = ""
    request_delay_sec: float = 5.0  # sleep между запросами (anti-ban)

    def __init__(self) -> None:
        self._client: httpx.AsyncClient | None = None

    async def __aenter__(self) -> BaseScraper:
        self._client = httpx.AsyncClient(
            timeout=20.0,
            follow_redirects=True,
            headers={
                "User-Agent": random_user_agent(),
                "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
                "Accept-Language": "ru-RU,ru;q=0.9,en;q=0.8",
                "Accept-Encoding": "gzip, deflate, br",
                "Connection": "keep-alive",
                "Upgrade-Insecure-Requests": "1",
            },
        )
        return self

    async def __aexit__(self, *args: Any) -> None:
        if self._client is not None:
            await self._client.aclose()

    @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=2, min=2, max=30))
    async def _http_get(self, url: str, **kwargs: Any) -> httpx.Response:
        """GET с retry. Subclass-ы используют это вместо raw httpx."""
        assert self._client is not None, "Use scraper as async context manager"
        response = await self._client.get(url, **kwargs)
        # 403/429 — ретрай поможет (рандомный UA в новом контексте), 5xx тоже
        if response.status_code in {403, 429, 502, 503, 504}:
            response.raise_for_status()
        return response

    async def sleep_between_requests(self) -> None:
        """Случайный jitter в районе self.request_delay_sec — чтобы парсер
        не выглядел как detstvo-bot."""
        jitter = random.uniform(0.7, 1.5)
        await asyncio.sleep(self.request_delay_sec * jitter)

    @abstractmethod
    async def fetch_around(
        self, lat: float, lon: float, radius_m: int = 1000
    ) -> list[ScrapedLot]:
        """Главный метод — собрать объявления вокруг (lat, lon) в радиусе radius_m.

        Returns:
            Список ScrapedLot. Может быть пустым.
        """
        ...


# ── Запись пачки результатов в Postgres ─────────────────────────────────────
def save_listings(db: Session, lots: list[ScrapedLot]) -> tuple[int, int]:
    """Пишем list[ScrapedLot] в `listings` с upsert по dedup_hash.

    Returns:
        (inserted, updated) — counters для логов.
    """
    if not lots:
        return 0, 0

    inserted = 0
    updated = 0

    for lot in lots:
        ppm2 = lot.price_per_m2 or lot.compute_price_per_m2()
        dedup = lot.compute_dedup_hash()

        result = db.execute(
            text(
                """
                INSERT INTO listings (
                    source, source_url, source_id, dedup_hash,
                    address, lat, lon, region_code,
                    rooms, area_m2, floor, total_floors, year_built,
                    house_type, repair_state, has_balcony, kadastr_num,
                    price_rub, price_per_m2,
                    listing_date, days_on_market, photo_urls, raw_payload,
                    scraped_at, last_seen_at
                ) VALUES (
                    :source, :source_url, :source_id, :dedup,
                    :address, :lat, :lon, 66,
                    :rooms, :area_m2, :floor, :total_floors, :year_built,
                    :house_type, :repair_state, :has_balcony, :kadastr,
                    :price_rub, :ppm2,
                    :listing_date, :days_on_market,
                    CAST(:photos AS jsonb),
                    CAST(:raw AS jsonb),
                    NOW(), NOW()
                )
                ON CONFLICT (dedup_hash) DO UPDATE
                    SET last_seen_at = NOW(),
                        is_active = true,
                        -- если цена изменилась — обновляем
                        price_rub = EXCLUDED.price_rub,
                        price_per_m2 = EXCLUDED.price_per_m2
                RETURNING (xmax = 0) AS inserted
                """
            ),
            {
                "source": lot.source,
                "source_url": lot.source_url,
                "source_id": lot.source_id,
                "dedup": dedup,
                "address": lot.address,
                "lat": lot.lat,
                "lon": lot.lon,
                "rooms": lot.rooms,
                "area_m2": lot.area_m2,
                "floor": lot.floor,
                "total_floors": lot.total_floors,
                "year_built": lot.year_built,
                "house_type": lot.house_type,
                "repair_state": lot.repair_state,
                "has_balcony": lot.has_balcony,
                "kadastr": lot.kadastr_num,
                "price_rub": lot.price_rub,
                "ppm2": ppm2,
                "listing_date": lot.listing_date,
                "days_on_market": lot.days_on_market,
                "photos": _to_json(lot.photo_urls),
                "raw": _to_json(lot.raw_payload) if lot.raw_payload else None,
            },
        ).fetchone()

        if result is not None and result.inserted:
            inserted += 1
        else:
            updated += 1

    db.commit()
    logger.info(
        "save_listings: source=%s inserted=%d updated=%d (total %d)",
        lots[0].source if lots else "?",
        inserted,
        updated,
        len(lots),
    )
    return inserted, updated


def _to_json(value: Any) -> str:
    """JSON serialization helper — для jsonb колонок."""
    import json

    return json.dumps(value, ensure_ascii=False, default=str)