Files
hotels/smart_crawler.py

467 lines
19 KiB
Python
Raw Normal View History

#!/usr/bin/env python3
"""
УМНЫЙ КРАУЛЕР С ПРИОРИТЕТАМИ
1. Сначала добивает почти готовые регионы (70%+)
2. Потом крупные регионы
3. Помечает битые сайты и не трогает их повторно
"""
import asyncio
import psycopg2
from psycopg2.extras import Json
from urllib.parse import unquote, urlparse
from playwright.async_api import async_playwright
from bs4 import BeautifulSoup
import re
import logging
from datetime import datetime
from typing import Set, List, Dict
import sys
# Конфигурация БД
DB_CONFIG = {
'host': "147.45.189.234",
'port': 5432,
'database': "default_db",
'user': "gen_user",
'password': unquote("2~~9_%5EkVsU%3F2%5CS")
}
# Настройки краулинга
MAX_PAGES_PER_SITE = 15
PAGE_TIMEOUT = 30000
BATCH_SIZE = 50
MAX_CONCURRENT = 10 # Увеличено с 3 до 10 для ускорения
MAX_RETRIES = 2 # Максимум попыток для одного сайта
# Логирование
log_filename = f'smart_crawler_{datetime.now().strftime("%Y%m%d_%H%M%S")}.log'
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s',
handlers=[
logging.FileHandler(log_filename),
logging.StreamHandler()
]
)
logger = logging.getLogger(__name__)
class TextCleaner:
"""Очистка HTML"""
@classmethod
def clean_html(cls, html: str) -> str:
if not html:
return ""
soup = BeautifulSoup(html, 'html.parser')
for tag in soup.find_all(['script', 'style', 'noscript']):
tag.decompose()
text = soup.get_text()
text = re.sub(r'\s+', ' ', text)
text = re.sub(r'\n\s*\n', '\n', text)
lines = [line.strip() for line in text.split('\n') if line.strip()]
return '\n'.join(lines)
def get_hotels_by_priority() -> List[Dict]:
"""
Получить отели по приоритетам:
1. Почти готовые регионы (70%+, осталось <100)
2. Средние регионы (50-70%)
3. Крупные регионы (>500 отелей)
4. Остальные
"""
conn = psycopg2.connect(**DB_CONFIG)
cur = conn.cursor()
# Приоритет 1: Добить почти готовые
logger.info("🎯 Приоритет 1: Почти готовые регионы (70%+)...")
cur.execute("""
WITH stats AS (
SELECT
m.region_name,
COUNT(DISTINCT m.id) as total,
COUNT(DISTINCT meta.hotel_id) as crawled,
ROUND(COUNT(DISTINCT meta.hotel_id)::numeric / COUNT(DISTINCT m.id) * 100, 1) as percent
FROM hotel_main m
LEFT JOIN hotel_website_meta meta ON m.id = meta.hotel_id
WHERE m.website_address IS NOT NULL
AND m.website_address != ''
GROUP BY m.region_name
HAVING COUNT(DISTINCT m.id) - COUNT(DISTINCT meta.hotel_id) > 0
AND ROUND(COUNT(DISTINCT meta.hotel_id)::numeric / COUNT(DISTINCT m.id) * 100, 1) >= 70
AND COUNT(DISTINCT m.id) - COUNT(DISTINCT meta.hotel_id) < 100
)
SELECT m.id, m.full_name, m.region_name, m.website_address
FROM hotel_main m
INNER JOIN stats s ON m.region_name = s.region_name
WHERE m.website_address IS NOT NULL
AND m.website_address != ''
AND m.id NOT IN (SELECT hotel_id FROM hotel_website_meta)
ORDER BY s.percent DESC, m.region_name, m.full_name
""")
priority1 = cur.fetchall()
logger.info(f" Найдено: {len(priority1)} отелей")
# Приоритет 2: Крупные регионы с частичной обработкой
logger.info("🎯 Приоритет 2: Крупные регионы (Москва, Краснодар, Крым)...")
cur.execute("""
SELECT m.id, m.full_name, m.region_name, m.website_address
FROM hotel_main m
WHERE m.website_address IS NOT NULL
AND m.website_address != ''
AND m.id NOT IN (SELECT hotel_id FROM hotel_website_meta)
AND m.region_name IN (
'Краснодарский край',
'г. Москва',
'Республика Крым',
'Московская область'
)
ORDER BY
CASE m.region_name
WHEN 'г. Москва' THEN 1
WHEN 'г. Санкт-Петербург' THEN 2
WHEN 'Краснодарский край' THEN 3
WHEN 'Московская область' THEN 4
WHEN 'Республика Крым' THEN 5
END,
m.full_name
""")
priority2 = cur.fetchall()
logger.info(f" Найдено: {len(priority2)} отелей")
# Приоритет 3: Все остальные
logger.info("🎯 Приоритет 3: Остальные регионы...")
cur.execute("""
SELECT m.id, m.full_name, m.region_name, m.website_address
FROM hotel_main m
WHERE m.website_address IS NOT NULL
AND m.website_address != ''
AND m.id NOT IN (SELECT hotel_id FROM hotel_website_meta)
AND m.region_name NOT IN (
SELECT DISTINCT region_name
FROM (
SELECT
m2.region_name,
COUNT(DISTINCT meta.hotel_id)::numeric / COUNT(DISTINCT m2.id) * 100 as percent
FROM hotel_main m2
LEFT JOIN hotel_website_meta meta ON m2.id = meta.hotel_id
WHERE m2.website_address IS NOT NULL AND m2.website_address != ''
GROUP BY m2.region_name
HAVING COUNT(DISTINCT m2.id) - COUNT(DISTINCT meta.hotel_id) > 0
AND COUNT(DISTINCT meta.hotel_id)::numeric / COUNT(DISTINCT m2.id) * 100 >= 70
) sub
)
AND m.region_name NOT IN (
'Краснодарский край', 'г. Москва', 'Республика Крым', 'Московская область'
)
ORDER BY m.region_name, m.full_name
""")
priority3 = cur.fetchall()
logger.info(f" Найдено: {len(priority3)} отелей")
cur.close()
conn.close()
# Объединяем в правильном порядке
all_hotels = []
for row in priority1 + priority2 + priority3:
all_hotels.append({
'id': row[0],
'full_name': row[1],
'region_name': row[2],
'website_address': row[3]
})
logger.info(f"\n📊 ИТОГО ОТЕЛЕЙ ДЛЯ КРАУЛИНГА: {len(all_hotels)}")
logger.info(f" Приоритет 1: {len(priority1)}")
logger.info(f" Приоритет 2: {len(priority2)}")
logger.info(f" Приоритет 3: {len(priority3)}")
return all_hotels
def mark_as_failed(hotel_id: str, error_type: str, error_message: str):
"""Помечает отель как проблемный (не пытаться снова)"""
try:
conn = psycopg2.connect(**DB_CONFIG)
cur = conn.cursor()
# Записываем в meta со статусом failed
cur.execute("""
INSERT INTO hotel_website_meta (
hotel_id,
domain,
main_url,
pages_crawled,
crawl_status,
error_message,
crawl_finished_at
)
VALUES (%s, %s, %s, %s, %s, %s, NOW())
ON CONFLICT (hotel_id) DO UPDATE SET
crawl_status = EXCLUDED.crawl_status,
error_message = EXCLUDED.error_message,
crawl_finished_at = EXCLUDED.crawl_finished_at
""", (hotel_id, error_type, '', 0, 'failed', error_message))
conn.commit()
cur.close()
conn.close()
logger.info(f" 🔴 Помечен как failed: {error_type}")
except Exception as e:
logger.error(f" ❌ Ошибка пометки failed: {e}")
async def crawl_hotel(hotel: Dict, semaphore: asyncio.Semaphore, browser):
"""Краулинг одного отеля с обработкой ошибок"""
async with semaphore:
hotel_id = hotel['id']
hotel_name = hotel['full_name']
website = hotel['website_address']
region = hotel['region_name']
logger.info(f"🏨 {hotel_name[:50]} ({region})")
logger.info(f" URL: {website}")
try:
# Нормализация URL
if not website.startswith(('http://', 'https://')):
website = 'https://' + website
context = await browser.new_context(
user_agent='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
viewport={'width': 1920, 'height': 1080},
ignore_https_errors=True # Игнорируем SSL ошибки
)
page = await context.new_page()
visited_urls = set()
pages_data = []
# Главная страница
try:
response = await page.goto(website, wait_until='domcontentloaded', timeout=PAGE_TIMEOUT)
if response and response.ok:
await page.wait_for_timeout(2000)
html = await page.content()
cleaned_text = TextCleaner.clean_html(html)
pages_data.append({
'url': page.url,
'html': html,
'text': cleaned_text,
'status': response.status
})
visited_urls.add(page.url)
logger.info(f" ✅ Главная: {len(cleaned_text)} символов")
# Собираем ссылки
links = await page.eval_on_selector_all(
'a[href]',
'''elements => elements.map(e => e.href).filter(h => h && h.startsWith('http'))'''
)
# Фильтруем внутренние ссылки
base_domain = urlparse(website).netloc
internal_links = [
link for link in links
if urlparse(link).netloc == base_domain and link not in visited_urls
][:MAX_PAGES_PER_SITE - 1]
logger.info(f" 📄 Найдено {len(internal_links)} внутренних ссылок")
# Обходим внутренние страницы
for link in internal_links:
if len(pages_data) >= MAX_PAGES_PER_SITE:
break
try:
response = await page.goto(link, wait_until='domcontentloaded', timeout=PAGE_TIMEOUT)
if response and response.ok:
await page.wait_for_timeout(1000)
html = await page.content()
cleaned_text = TextCleaner.clean_html(html)
pages_data.append({
'url': page.url,
'html': html,
'text': cleaned_text,
'status': response.status
})
visited_urls.add(page.url)
except Exception as e:
# Игнорируем ошибки отдельных страниц
continue
else:
error_msg = f"HTTP {response.status}" if response else "No response"
logger.warning(f" ⚠️ Главная недоступна: {error_msg}")
mark_as_failed(hotel_id, 'http_error', error_msg)
await context.close()
return False
except Exception as e:
error_str = str(e)
# Определяем тип ошибки
if 'ERR_NAME_NOT_RESOLVED' in error_str:
error_type = 'dns_error'
logger.warning(f" 🔴 DNS ошибка (сайт не существует)")
elif 'ERR_CERT' in error_str or 'SSL' in error_str:
error_type = 'ssl_error'
logger.warning(f" 🔴 SSL ошибка")
elif 'ERR_CONNECTION_REFUSED' in error_str:
error_type = 'connection_refused'
logger.warning(f" 🔴 Подключение отклонено")
elif 'Timeout' in error_str or 'timeout' in error_str:
error_type = 'timeout'
logger.warning(f" 🔴 Таймаут")
else:
error_type = 'other_error'
logger.warning(f" ⚠️ Другая ошибка: {error_str[:100]}")
# Помечаем как failed
mark_as_failed(hotel_id, error_type, error_str[:500])
await context.close()
return False
await context.close()
# Сохраняем в БД
if pages_data:
save_to_db(hotel_id, hotel_name, region, website, pages_data)
logger.info(f" 💾 Сохранено {len(pages_data)} страниц")
return True
else:
mark_as_failed(hotel_id, 'no_content', 'Нет контента')
logger.warning(f" ⚠️ Нет данных")
return False
except Exception as e:
logger.error(f" ❌ Критическая ошибка: {e}")
mark_as_failed(hotel_id, 'critical_error', str(e)[:500])
return False
def save_to_db(hotel_id: str, hotel_name: str, region: str, website: str, pages_data: List[Dict]):
"""Сохранение в PostgreSQL"""
try:
conn = psycopg2.connect(**DB_CONFIG)
cur = conn.cursor()
# Сохраняем метаданные
domain = urlparse(website).netloc
cur.execute("""
INSERT INTO hotel_website_meta (hotel_id, domain, main_url, pages_crawled, crawl_status, crawl_finished_at)
VALUES (%s, %s, %s, %s, %s, NOW())
ON CONFLICT (hotel_id) DO UPDATE SET
pages_crawled = EXCLUDED.pages_crawled,
crawl_status = EXCLUDED.crawl_status,
crawl_finished_at = EXCLUDED.crawl_finished_at
""", (hotel_id, domain, website, len(pages_data), 'completed'))
# Сохраняем сырой HTML
for page in pages_data:
cur.execute("""
INSERT INTO hotel_website_raw (hotel_id, url, html, status_code, crawled_at)
VALUES (%s, %s, %s, %s, NOW())
ON CONFLICT (hotel_id, url) DO UPDATE SET
html = EXCLUDED.html,
status_code = EXCLUDED.status_code,
crawled_at = EXCLUDED.crawled_at
""", (hotel_id, page['url'], page['html'], page['status']))
# Сохраняем очищенный текст
for page in pages_data:
cur.execute("""
INSERT INTO hotel_website_processed (hotel_id, url, cleaned_text, processed_at)
VALUES (%s, %s, %s, NOW())
ON CONFLICT (hotel_id, url) DO UPDATE SET
cleaned_text = EXCLUDED.cleaned_text,
processed_at = EXCLUDED.processed_at
""", (hotel_id, page['url'], page['text']))
conn.commit()
cur.close()
conn.close()
except Exception as e:
logger.error(f"❌ Ошибка сохранения в БД: {e}")
async def main():
"""Главная функция"""
logger.info("🚀 Запуск умного краулера с приоритетами")
# Получаем отели по приоритетам
hotels = get_hotels_by_priority()
total = len(hotels)
logger.info(f"\n📊 Найдено необработанных отелей: {total}")
if total == 0:
logger.info("Все отели уже обработаны!")
return
# Запускаем краулинг
async with async_playwright() as p:
browser = await p.chromium.launch(headless=True)
semaphore = asyncio.Semaphore(MAX_CONCURRENT)
processed = 0
success = 0
# Обрабатываем пачками
for i in range(0, total, BATCH_SIZE):
batch = hotels[i:i + BATCH_SIZE]
logger.info(f"\n📦 Пачка {i//BATCH_SIZE + 1}/{(total + BATCH_SIZE - 1)//BATCH_SIZE}")
logger.info(f" Отели {i+1}-{min(i+BATCH_SIZE, total)} из {total}")
tasks = [crawl_hotel(hotel, semaphore, browser) for hotel in batch]
results = await asyncio.gather(*tasks, return_exceptions=True)
batch_success = sum(1 for r in results if r is True)
success += batch_success
processed += len(batch)
logger.info(f"✅ Пачка: {batch_success}/{len(batch)} успешно")
logger.info(f"📊 Прогресс: {processed}/{total} ({processed*100//total}%)")
await browser.close()
logger.info(f"\n🎉 КРАУЛИНГ ЗАВЕРШЁН!")
logger.info(f" Обработано: {processed}")
logger.info(f" Успешно: {success} ({success*100//processed if processed > 0 else 0}%)")
logger.info(f" Ошибок: {processed - success}")
if __name__ == "__main__":
try:
asyncio.run(main())
except KeyboardInterrupt:
logger.info("\n⚠️ Прервано пользователем")
sys.exit(0)