8fcef103c2
Сборщик получает ключ --platform {avito,cian}: платформо-зависимые куски
(URL коридора, счётчик, парс, потолок пагинации, целевая таблица) вынесены
в PlatformAdapter, общая часть — бисекция по цене, guard на блок, накопитель
и заливка — одна на обе площадки.
Скоуп Циан проверен живыми запросами 10.09, а не взят из документации:
- region=1 и region=4593 двумя параметрами НЕ объединяются, сервер берёт
последний. Прежний базовый URL собрал бы одну Московскую область и молча
потерял Москву целиком (92 817 объявлений). Правильный скоуп — region=-1.
- object_type[0]=1 обязателен: без него счётчик считает новостройки, которые
дальше не сохраняются, и расходится с числом карточек вдвое.
- Итоговый скоуп: 62 548 объявлений вторички по Москве и МО.
- Потолок пагинации 54 страницы подтверждён: страница 55 пуста.
Фильтра новостроек в адаптере нет, и это сознательное отличие от кита. Кит
считает новостройкой всё, у чего есть offer.newbuilding.id (serp.py:401-402),
потому что для ЕКБ выдача бралась без object_type. На московской странице из
28 карточек 16 имеют этот блок, и у всех шестнадцати isFromBuilder=false,
isFromLeadFactory=false — это вторичка в ЖК, а не лоты застройщика. С китовым
фильтром прогон терял бы 57 % корпуса безвозвратно. msk_raw — сырьё, payload
несёт listing_segment целиком, сегмент отделяется на импорте в listings.
Детект блока Циан. Капча приходит как HTTP 200 с обычной на вид страницей:
поймана живьём, 40 КБ, title «Captcha - база объявлений ЦИАН», без
window._cianConfig. По статусу её не отличить, поэтому маркер ищется в первых
4 КБ (в нормальной выдаче на 2,6 МБ там ни одного вхождения). Вторая сеть в
parse_page: счётчик None при нуле сырых карточек — тоже стоп. Без этого блок
засчитывался бы как пустая страница, коридор уходил в done, а --resume его
уже не перебрал бы.
Гвард empty_page считает карточки ДО фильтра: иначе штатный ноль после
фильтрации был бы неотличим от блока. У Авито атрибута нет, дефолт — длина
итогового списка, поведение прежнее.
Заливка. Целевая таблица берётся из адаптера, staging создаётся с
INCLUDING IDENTITY (без него identity-колонка не переносится, а NOT NULL
переносится всегда, и \copy падал бы на каждом батче). Наличие таблицы
проверяется на старте одним SELECT to_regclass — иначе прогон умирал бы
на первой заливке, после часов планирования.
Миграция 299 заводит cian_cards, domclick_cards, yandex_cards и три вью
по образцу avito_cards/avito_latest. id — bigserial, а не IDENTITY, ровно
по причине выше.
Заодно: _wt-mskcol/ выведен из индекса и закрыт в .gitignore. Копия-worktree
попала в репозиторий 09.09, и три фикса ушли в дубликат мимо канонического
collect.py — дефект нашёлся только при сверке размера страницы.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01VQ8jqr4SFirX5tFLwdSrXh
1066 lines
52 KiB
Python
1066 lines
52 KiB
Python
#!/usr/bin/env python3
|
||
"""Локальный ручной сборщик SERP Авито/Циан 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.
|
||
|
||
Платформа выбирается ключом --platform {avito,cian} (дефолт avito) — см. класс
|
||
PlatformAdapter ниже. У каждой платформы свой потолок пагинации, свой билдер
|
||
URL коридора и своя целевая таблица в msk_raw.
|
||
|
||
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 shlex
|
||
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, Callable, Iterable
|
||
from urllib.parse import parse_qsl, urlencode, urlsplit, urlunsplit
|
||
|
||
# --- импорт парсеров 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,
|
||
)
|
||
from scraper_kit.providers.cian.serp import ( # noqa: E402
|
||
CianScraper,
|
||
_CIAN_OFFERS_PER_PAGE,
|
||
)
|
||
|
||
# Вкладка, открытая у владельца: вторичка, Москва + МО.
|
||
DEFAULT_AVITO_BASE_URL = (
|
||
"https://www.avito.ru/moskva_i_mo/kvartiry/prodam/vtorichka-ASgBAgICAkSSA8YQ5geMUg"
|
||
"?f=ASgBAgICA0SSA8YQ5geMUuDC3c0CgOkP"
|
||
)
|
||
|
||
# domain www.cian.ru, а не ekb.cian.ru: у CianScraper._build_url домен захардкожен
|
||
# под ЕКБ (self.base_url класс-константа), сюда не подходит — поэтому URL
|
||
# коридора строим своим билдером (_cian_build_url), а не scraper._build_url.
|
||
#
|
||
# Параметры проверены живым запросом 10.09 (curl, <title> и totalOffers из SSR):
|
||
# region=1 -> «Купить квартиру в Москве — 92 817»
|
||
# region=4593 -> «Купить квартиру в Московской области — 60 231»
|
||
# region=1®ion=4593 -> «Московская область — 60 231»: побеждает ПОСЛЕДНИЙ,
|
||
# объединения по нескольким region= НЕТ
|
||
# region=-1 -> «Москва и Московская область — 153 049»
|
||
# region=-1 + object_type[0]=1 -> «Москва и МО — 62 548», puid3=sale_type_second
|
||
# region=1 + object_type[0]=1 -> «Москва — 36 743»
|
||
# Отсюда region=-1 — единственный способ получить единый скоуп Москва+МО.
|
||
# object_type[0]=1 (вторичка) обязателен: без него totalOffers считает и
|
||
# новостройки, которые парсер выбрасывает, — счётчик и карточки расходятся вдвое.
|
||
DEFAULT_CIAN_BASE_URL = (
|
||
"https://www.cian.ru/cat.php?deal_type=sale&engine_version=2&offer_type=flat"
|
||
"®ion=-1&object_type%5B0%5D=1&sort=creation_date_desc"
|
||
)
|
||
|
||
# Замерено живым проходом (не из документации): выдача Москва+МО отдаёт 50 карточек
|
||
# на страницу. Пока здесь стояло 60, planned_pages считал count/60 и не запрашивал
|
||
# последние ~17% каждого коридора — 34 753 по счётчику против 28 352 собранных.
|
||
# Молчаливое усечение читается как «покрыто всё», поэтому число проверяется живьём.
|
||
AVITO_PAGE_SIZE = 50 # карточек на странице выдачи Авито
|
||
AVITO_MAX_PAGES = 30 # потолок пагинации Авито → 30*50 = 1500 на один запрос
|
||
|
||
# Циан отдаёт ~28 офферов/страницу (_CIAN_OFFERS_PER_PAGE в providers/cian/serp.py).
|
||
# Потолок страниц на бакет — 54, см. CianScraper._paginate_leaf_bucket
|
||
# (max_pages_per_bucket: int = 54, комментарий "Cian hard cap ~54; не превышать").
|
||
# 28*54 = 1512 — заметно меньше авитовских 1800, поэтому свой HARD_CAP обязателен.
|
||
CIAN_PAGE_SIZE = _CIAN_OFFERS_PER_PAGE
|
||
CIAN_MAX_PAGES = 54
|
||
|
||
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, page_size: int, max_pages: int) -> 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
|
||
platform: str = "avito" # старые планы (до --platform) читаются как avito
|
||
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, "platform": self.platform,
|
||
"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"],
|
||
platform=d.get("platform", "avito"),
|
||
created_at=d.get("created_at", ""),
|
||
corridors=[Corridor.from_json(c) for c in d.get("corridors", [])],
|
||
)
|
||
|
||
|
||
def _avito_build_url(base_url: str, page: int, lo: int | None, hi: int | None) -> str:
|
||
"""URL коридора Авито: 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 _cian_build_url(base_url: str, page: int, lo: int | None, hi: int | None) -> str:
|
||
"""URL коридора Циан: minprice/maxprice + пагинация (аналог _avito_build_url).
|
||
|
||
Названия ключей — как в CianScraper._build_url (minprice/maxprice/p), но домен
|
||
и мульти-регион берём из base_url как есть, а не пересобираем через scraper.
|
||
"""
|
||
parts = urlsplit(base_url)
|
||
q = [(k, v) for k, v in parse_qsl(parts.query, keep_blank_values=True)
|
||
if k not in {"p", "minprice", "maxprice"}]
|
||
if lo is not None:
|
||
q.append(("minprice", str(int(lo))))
|
||
if hi is not None:
|
||
q.append(("maxprice", 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)
|
||
|
||
|
||
# --- платформенные адаптеры --------------------------------------------------
|
||
|
||
|
||
def _avito_detect_block(html: str) -> tuple[str, str] | None:
|
||
"""Доп. текстовые маркеры блока Авито поверх общих HTTP-проверок в _guard.
|
||
|
||
Порядок (firewall перед PoW) идентичен исходному _guard — регресс-нейтрально.
|
||
"""
|
||
if _is_firewall_page(html):
|
||
return "firewall", "firewall-страница на HTTP 200"
|
||
head = html[:4096].lower()
|
||
if any(m in head for m in _POW_MARKERS):
|
||
return "challenge", "PoW / проверка безопасности"
|
||
return None
|
||
|
||
|
||
async def _avito_wait_ready(page: Any) -> None:
|
||
"""Карточка Авито — обычный DOM-узел, ждём её появления."""
|
||
try:
|
||
await page.wait_for_selector('[data-marker="item"]', timeout=7_000)
|
||
except Exception: # noqa: BLE001 — пустая/блочная страница разбирается ниже
|
||
pass
|
||
|
||
|
||
async def _cian_wait_ready(page: Any) -> None:
|
||
"""У Циан карточки читаются не из DOM, а из window._cianConfig['frontend-serp'],
|
||
поэтому ждать `[data-marker="item"]` (авитовский селектор) бессмысленно: он не
|
||
появится никогда, и каждая загрузка стоила бы лишних 7 с таймаута. Ждём сам
|
||
state — ровно то, что потом парсится.
|
||
"""
|
||
try:
|
||
await page.wait_for_function("!!window._cianConfig", timeout=10_000)
|
||
except Exception: # noqa: BLE001 — пустая/блочная страница разбирается ниже
|
||
pass
|
||
|
||
|
||
def _cian_detect_block(html: str) -> tuple[str, str] | None:
|
||
"""Капча Циан: HTTP 200 и обычная с виду страница, но без выдачи.
|
||
|
||
Поймана живьём 10.09: тот же IP, что нормально отдаёт SERP браузеру и curl,
|
||
на голом http-клиенте получил 40 КБ с <title>Captcha - база объявлений ЦИАН</title>
|
||
и без window._cianConfig вообще. То есть блок Циан НЕ приходит ни 403, ни 429 —
|
||
только телом, и по HTTP-статусу его не отличить.
|
||
|
||
Маркер берём в первых 4 КБ: в блок-странице слово встречается там 4 раза
|
||
(title + текст), в нормальной выдаче на 2.6 МБ — ни разу (все восемь вхождений
|
||
лежат глубоко в скриптах). Ложных срабатываний на живой выдаче нет.
|
||
|
||
Вторая сеть на случай другой формы блока — parse_page: count is None и сырых
|
||
карточек 0 тоже даёт Blocked("challenge").
|
||
"""
|
||
if "captcha" in html[:4096].lower():
|
||
return "challenge", "капча Циан (HTTP 200, страница без выдачи)"
|
||
return None
|
||
|
||
|
||
def _cian_parse_cards(scraper: CianScraper, html: str) -> list[Any]:
|
||
"""Парс карточек Циан. Ничего не отбрасываем, только считаем ссылки на ЖК.
|
||
|
||
Кит фильтрует новостройки по `offer.newbuilding.id` (serp.py:401-402,
|
||
listing_segment == "novostroyki"), считая SERP-параметр object_type=1
|
||
ненадёжным. Для ЕКБ, где выдача бралась без него, это было верно, здесь —
|
||
нет: базовый URL уже несёт object_type[0]=1, и Циан подтверждает скоуп
|
||
сам (puid3=sale_type_second).
|
||
|
||
Замер живой страницы 10.09: из 28 карточек 16 имеют блок newbuilding, и у
|
||
ВСЕХ шестнадцати isFromBuilder=false, isFromLeadFactory=false, flatType=rooms,
|
||
а ЖК — «Пригород Лесное», «РУСИЧ Новые Котельники» и подобные. То есть это
|
||
обычная вторичка в новых домах, а не продажа от застройщика: newbuilding.id
|
||
означает «дом в ЖК», а не «лот застройщика».
|
||
|
||
С фильтром прогон терял бы 57% корпуса безвозвратно, а msk_raw — сырьё:
|
||
payload несёт listing_segment целиком, и отделить сегмент можно потом, на
|
||
импорте в listings. Поэтому здесь только счётчик last_nb_ref для notes.
|
||
"""
|
||
lots = scraper._parse_serp_html(html)
|
||
# Сырое число карточек — по нему parse_page отличает блок от пустой страницы.
|
||
scraper.last_raw_count = len(lots)
|
||
nb_ref = sum(1 for lot in lots
|
||
if getattr(lot, "listing_segment", None) == "novostroyki")
|
||
if nb_ref:
|
||
scraper.last_nb_ref = getattr(scraper, "last_nb_ref", 0) + nb_ref
|
||
return lots
|
||
|
||
|
||
@dataclass(frozen=True)
|
||
class PlatformAdapter:
|
||
"""Платформо-зависимые куски сбора. Всё общее (бисекция, guard по HTTP-статусу,
|
||
накопитель/заливка) — в основном теле скрипта и от платформы не зависит."""
|
||
|
||
name: str
|
||
table: str # msk_raw.<table>
|
||
default_base_url: str
|
||
page_size: int
|
||
max_pages: int
|
||
build_url: Callable[[str, int, int | None, int | None], str]
|
||
extract_total_count: Callable[[Any, str], int | None]
|
||
parse_cards: Callable[[Any, str], list[Any]]
|
||
detect_block: Callable[[str], tuple[str, str] | None]
|
||
wait_ready: Callable[[Any], Any] # корутина: дождаться готовности страницы
|
||
|
||
@property
|
||
def hard_cap(self) -> int:
|
||
return self.page_size * self.max_pages
|
||
|
||
def make_scraper(self) -> Any:
|
||
if self.name == "avito":
|
||
# avito_serp_ekb_only=False обязателен: с True парсер выбрасывает всё,
|
||
# где в URL нет /ekaterinburg/ — то есть все подмосковные слаги
|
||
# (serp.py:2154).
|
||
return AvitoScraper(
|
||
SimpleNamespace(avito_serp_ekb_only=False), # type: ignore[arg-type]
|
||
target_city_slug="moskva",
|
||
)
|
||
# glitchtip_dsn=None — отключает попытку sentry-репорта schema-regression
|
||
# из _report_schema_regression (нет реального DSN в локальном прогоне).
|
||
return CianScraper(SimpleNamespace(glitchtip_dsn=None)) # type: ignore[arg-type]
|
||
|
||
|
||
ADAPTERS: dict[str, PlatformAdapter] = {
|
||
"avito": PlatformAdapter(
|
||
name="avito",
|
||
table="avito_cards",
|
||
default_base_url=DEFAULT_AVITO_BASE_URL,
|
||
page_size=AVITO_PAGE_SIZE,
|
||
max_pages=AVITO_MAX_PAGES,
|
||
build_url=_avito_build_url,
|
||
extract_total_count=lambda scraper, html: scraper._extract_total_count(html),
|
||
parse_cards=lambda scraper, html: scraper._parse_html(html, "https://www.avito.ru"),
|
||
detect_block=_avito_detect_block,
|
||
wait_ready=_avito_wait_ready,
|
||
),
|
||
"cian": PlatformAdapter(
|
||
name="cian",
|
||
table="cian_cards",
|
||
default_base_url=DEFAULT_CIAN_BASE_URL,
|
||
page_size=CIAN_PAGE_SIZE,
|
||
max_pages=CIAN_MAX_PAGES,
|
||
build_url=_cian_build_url,
|
||
extract_total_count=lambda scraper, html: scraper._extract_total_offers(html),
|
||
parse_cards=_cian_parse_cards,
|
||
detect_block=_cian_detect_block,
|
||
wait_ready=_cian_wait_ready,
|
||
),
|
||
}
|
||
|
||
|
||
# --- загрузка страницы -----------------------------------------------------
|
||
|
||
|
||
def _guard(html: str, status: int | None, adapter: PlatformAdapter) -> None:
|
||
"""Порядок проверок фиксирован заданием; первое срабатывание = стоп.
|
||
|
||
HTTP-статус — платформо-независимая проверка. Текстовые маркеры (firewall/
|
||
PoW и т.п.) — через adapter.detect_block, у каждой платформы свои.
|
||
"""
|
||
if status in (403, 439):
|
||
raise Blocked("platform", f"HTTP {status}")
|
||
if status == 429:
|
||
raise Blocked("ratelimit", "HTTP 429")
|
||
extra = adapter.detect_block(html)
|
||
if extra is not None:
|
||
raise Blocked(*extra)
|
||
|
||
|
||
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, adapter: PlatformAdapter) -> None:
|
||
self._delay = delay
|
||
self._budget = page_budget
|
||
self._adapter = adapter
|
||
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
|
||
|
||
# AVITO_CDP — исторически названо под первую платформу, но это адрес
|
||
# браузера владельца, а не площадки: используется для обеих платформ.
|
||
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 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
|
||
await self._adapter.wait_ready(self._page)
|
||
html = await self._read_content()
|
||
_guard(html, status, self._adapter)
|
||
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, self._adapter) # 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, table: 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.
|
||
table — msk_raw.avito_cards / msk_raw.cian_cards (из PlatformAdapter, не из
|
||
пользовательского ввода — подстановка f-строкой безопасна).
|
||
|
||
У staging обязателен INCLUDING IDENTITY: если целевая таблица объявлена как
|
||
GENERATED ALWAYS AS IDENTITY, один INCLUDING DEFAULTS identity не переносит,
|
||
а NOT NULL переносится всегда — и \\copy без колонки id падает на каждом
|
||
батче.
|
||
"""
|
||
bid = _sql_str(batch_id)
|
||
tbl = f"msk_raw.{table}"
|
||
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"
|
||
f"CREATE TEMP TABLE _stg (LIKE {tbl} INCLUDING DEFAULTS INCLUDING IDENTITY) "
|
||
"ON COMMIT DROP;\n"
|
||
"CREATE TEMP TABLE _before ON COMMIT DROP AS\n"
|
||
f" SELECT count(*) AS n FROM {tbl} 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"
|
||
f"INSERT INTO {tbl} "
|
||
"(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 {tbl} 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,
|
||
attempts: int = 4) -> None:
|
||
"""Заливка батча через ssh с ретраем на обрыв транспорта.
|
||
|
||
Прогон длится часами, и ssh рвётся: живьём поймано «Connection reset by peer»
|
||
(ssh возвращает 255) прямо посреди заливки — весь прогон умирал, а несброшенный
|
||
батч терялся. Ретраить безопасно: SQL идемпотентен (batch через ON CONFLICT DO
|
||
NOTHING, карточки через ON CONFLICT (source_id,batch_id,kind) DO NOTHING).
|
||
|
||
Ретраится ТОЛЬКО транспорт (ssh 255). Ошибка самого psql (ON_ERROR_STOP, любой
|
||
другой код) — это дефект данных или SQL, её повтор не лечит: поднимаем сразу.
|
||
"""
|
||
cmd = [
|
||
"ssh", ssh_host,
|
||
f"docker exec -i {container} psql -U {db_user} -d {db_name} "
|
||
"-v ON_ERROR_STOP=1 -f -",
|
||
]
|
||
for i in range(attempts):
|
||
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:
|
||
if out:
|
||
print(f" psql: {out}", flush=True)
|
||
return
|
||
if proc.returncode != 255 or i == attempts - 1:
|
||
raise RuntimeError(f"psql через ssh вернул {proc.returncode}:\n{out}")
|
||
tail = out.splitlines()[-1] if out else "без вывода"
|
||
print(f" ssh оборвался ({tail}), повтор заливки {i + 2}/{attempts}", flush=True)
|
||
time.sleep(15.0 * (i + 1))
|
||
|
||
|
||
def psql_scalar(sql: str, ssh_host: str, container: str, db_user: str,
|
||
db_name: str) -> str:
|
||
"""Тот же ssh+psql, что и run_psql, но `-Atc` и с возвратом stdout.
|
||
|
||
Нужен для дешёвых проверок до старта (преflight целевой таблицы в collect):
|
||
один SELECT, без ретраев и без потока на stdin.
|
||
"""
|
||
cmd = [
|
||
"ssh", ssh_host,
|
||
f"docker exec -i {container} psql -U {db_user} -d {db_name} "
|
||
f"-v ON_ERROR_STOP=1 -Atc {shlex.quote(sql)}",
|
||
]
|
||
proc = subprocess.run(cmd, capture_output=True)
|
||
if proc.returncode != 0:
|
||
err = (proc.stdout + proc.stderr).decode("utf-8", "replace").strip()
|
||
raise RuntimeError(f"psql через ssh вернул {proc.returncode}:\n{err}")
|
||
return proc.stdout.decode("utf-8", "replace").strip()
|
||
|
||
|
||
# --- 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
|
||
table: 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.table),
|
||
self.ssh_host, self.container, self.db_user, self.db_name,
|
||
)
|
||
print(f" залито {len(rows)} строк в msk_raw.{self.table}", 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: Any, html: str, url: str,
|
||
adapter: PlatformAdapter) -> tuple[int | None, list[Any]]:
|
||
"""Счётчик и карточки страницы + детект блока по СЫРОМУ числу карточек.
|
||
|
||
Гвард считает по сырому числу (до отброса новостроек), а не по итоговому
|
||
списку: на Циан страница может легально дать 0 карточек после фильтра
|
||
вторички, и такой штатный ноль неотличим от блока. scraper.last_raw_count
|
||
выставляет _cian_parse_cards; у Авито этого атрибута нет,
|
||
поэтому дефолт getattr — len(lots), и авито-ветка ведёт себя как раньше.
|
||
|
||
Это вторая сеть после текстовых маркеров в adapter.detect_block: блок,
|
||
не попавший под маркер, всплывает как проваленный extract_state, то есть
|
||
count=None и пустой парс одновременно.
|
||
"""
|
||
count = adapter.extract_total_count(scraper, html)
|
||
lots = adapter.parse_cards(scraper, html)
|
||
raw = getattr(scraper, "last_raw_count", len(lots))
|
||
if count is None and raw == 0:
|
||
raise Blocked(
|
||
"challenge",
|
||
f"страница без счётчика и без карточек (провал extract_state): {url}",
|
||
)
|
||
if raw == 0 and count:
|
||
raise Blocked("empty_page", f"0 карточек при счётчике {count}: {url}")
|
||
return count, lots
|
||
|
||
|
||
async def probe(loader: Loader, scraper: Any, base_url: str,
|
||
lo: int | None, hi: int | None,
|
||
adapter: PlatformAdapter) -> tuple[int | None, list[Any]]:
|
||
url = adapter.build_url(base_url, 1, lo, hi)
|
||
html, _ = await loader.fetch(url)
|
||
return parse_page(scraper, html, url, adapter)
|
||
|
||
|
||
async def build_plan(loader: Loader, scraper: Any, base_url: str, target: int,
|
||
cache: dict[tuple[int | None, int | None], list[Any]],
|
||
adapter: PlatformAdapter,
|
||
) -> list[Corridor]:
|
||
"""Адаптивная бисекция по цене; страница 1 каждого коридора кэшируется."""
|
||
corridors: list[Corridor] = []
|
||
hard_cap = adapter.hard_cap
|
||
|
||
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(adapter.page_size, adapter.max_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, adapter)
|
||
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 = adapter.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, adapter)
|
||
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, adapter)
|
||
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, adapter)
|
||
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:
|
||
adapter = ADAPTERS[args.platform]
|
||
scraper = adapter.make_scraper()
|
||
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 и платформу берём из сохранённого плана, а не из CLI — коридоры
|
||
# посчитаны именно под них. 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.platform != args.platform:
|
||
raise SystemExit(
|
||
"--resume: план построен для другой платформы."
|
||
f" В плане {plan.platform}, в аргументах {args.platform}."
|
||
)
|
||
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}; platform={args.platform}; batch_id={args.batch_id}; "
|
||
f"delay={args.delay}s; target={args.target_count}; dry_run={args.dry_run}",
|
||
flush=True)
|
||
|
||
# Преflight целевой таблицы: без неё прогон умирал бы только на первой
|
||
# заливке — после часов планирования и сбора. Проверяем на первой секунде.
|
||
if not args.dry_run:
|
||
if not psql_scalar(f"SELECT to_regclass('msk_raw.{adapter.table}')",
|
||
args.ssh_host, args.container,
|
||
args.db_user, args.db_name):
|
||
raise SystemExit(
|
||
f"Таблицы msk_raw.{adapter.table} на проде нет. Применить"
|
||
" tradein-mvp/backend/data/sql/"
|
||
"299_msk_raw_cian_domclick_yandex_cards.sql"
|
||
" либо гонять с --dry-run."
|
||
)
|
||
|
||
sink = Sink(
|
||
batch_id=args.batch_id, started_at=started_at, query=base_url,
|
||
table=adapter.table, 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, adapter) 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, adapter)
|
||
plan = Plan(base_url=base_url, target=args.target_count,
|
||
batch_id=args.batch_id, platform=args.platform,
|
||
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(adapter.page_size, adapter.max_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 = adapter.build_url(base_url, page, corridor.lo, corridor.hi)
|
||
html, _ = await loader.fetch(url)
|
||
_, lots = parse_page(scraper, html, url, adapter)
|
||
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)
|
||
nb_ref = getattr(scraper, "last_nb_ref", 0)
|
||
notes = "; ".join(x for x in [
|
||
f"mode={mode}", f"platform={args.platform}", f"loads={loads}", f"cards={total}",
|
||
f"skipped_non_numeric={sink.skipped_non_numeric}",
|
||
(f"nb_ref={nb_ref}" if nb_ref else ""),
|
||
(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/Циан (вторичка, Москва+МО) в прод-схему msk_raw.",
|
||
)
|
||
p.add_argument("--platform", choices=tuple(ADAPTERS), default="avito",
|
||
help="площадка сбора (дефолт avito)")
|
||
p.add_argument("--base-url", default=None,
|
||
help="базовый URL выдачи (дефолт зависит от --platform)")
|
||
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-<platform>-<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.base_url is None:
|
||
args.base_url = ADAPTERS[args.platform].default_base_url
|
||
if args.batch_id is None:
|
||
args.batch_id = (
|
||
f"msk-serp-{args.platform}-" + 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())
|