Проект аудита отелей: основные скрипты и документация
- Краулеры: smart_crawler.py, regional_crawler.py - Аудит: audit_orel_to_excel.py, audit_chukotka_to_excel.py - РКН проверка: check_rkn_registry.py, recheck_unclear_rkn.py - Отчёты: create_orel_horizontal_report.py - Обработка: process_all_hotels_embeddings.py - Документация: README.md, DB_SCHEMA_REFERENCE.md
This commit is contained in:
Фёдор
443
chukotka_crawler.py
Normal file
443
chukotka_crawler.py
Normal file
@@ -0,0 +1,443 @@
|
||||
#!/usr/bin/env python3
|
||||
"""
|
||||
Crawler для парсинга сайтов отелей с сохранением в PostgreSQL
|
||||
- Сохраняет сырой HTML (для будущей переобработки)
|
||||
- Сохраняет очищенный текст
|
||||
- Извлекает структурированные данные
|
||||
"""
|
||||
|
||||
import asyncio
|
||||
import json
|
||||
import logging
|
||||
import re
|
||||
import psycopg2
|
||||
from psycopg2.extras import Json
|
||||
from datetime import datetime
|
||||
from typing import List, Dict, Set, Optional
|
||||
from urllib.parse import urljoin, urlparse, unquote
|
||||
from playwright.async_api import async_playwright, Page
|
||||
from bs4 import BeautifulSoup, Comment
|
||||
|
||||
# Настройка логирования
|
||||
logging.basicConfig(
|
||||
level=logging.INFO,
|
||||
format='%(asctime)s - %(levelname)s - %(message)s',
|
||||
handlers=[
|
||||
logging.FileHandler(f'crawler_db_{datetime.now().strftime("%Y%m%d_%H%M%S")}.log'),
|
||||
logging.StreamHandler()
|
||||
]
|
||||
)
|
||||
logger = logging.getLogger(__name__)
|
||||
|
||||
# Конфигурация БД
|
||||
DB_CONFIG = {
|
||||
'host': "147.45.189.234",
|
||||
'port': 5432,
|
||||
'database': "default_db",
|
||||
'user': "gen_user",
|
||||
'password': unquote("2~~9_%5EkVsU%3F2%5CS")
|
||||
}
|
||||
|
||||
# Конфигурация краулинга
|
||||
MAX_PAGES_PER_SITE = 20
|
||||
PAGE_TIMEOUT = 45000
|
||||
NAVIGATION_TIMEOUT = 40000
|
||||
|
||||
|
||||
class TextCleaner:
|
||||
"""Продвинутая очистка HTML с сохранением важных данных"""
|
||||
|
||||
# Теги для удаления (только мусор!)
|
||||
REMOVE_TAGS = ['script', 'style', 'noscript']
|
||||
|
||||
# Классы/ID для удаления (только явная реклама)
|
||||
REMOVE_PATTERNS = ['advertisement', 'ad-banner', 'google-ad']
|
||||
|
||||
# ВАЖНЫЕ классы/ID которые НЕ удаляем (контакты!)
|
||||
KEEP_PATTERNS = ['contact', 'phone', 'email', 'address', 'footer', 'info', 'about']
|
||||
|
||||
@staticmethod
|
||||
def clean_html(html: str) -> str:
|
||||
"""Бережная очистка HTML - сохраняем контакты и важные данные"""
|
||||
soup = BeautifulSoup(html, 'html.parser')
|
||||
|
||||
# 1. Удаляем комментарии
|
||||
for comment in soup.find_all(string=lambda text: isinstance(text, Comment)):
|
||||
comment.extract()
|
||||
|
||||
# 2. Удаляем только явный мусор (скрипты, стили)
|
||||
for tag_name in TextCleaner.REMOVE_TAGS:
|
||||
for tag in soup.find_all(tag_name):
|
||||
tag.decompose()
|
||||
|
||||
# 3. Удаляем только явную рекламу (но проверяем, чтобы не было важных данных)
|
||||
for pattern in TextCleaner.REMOVE_PATTERNS:
|
||||
for tag in soup.find_all(class_=re.compile(pattern, re.I)):
|
||||
# Проверяем, нет ли там важных данных
|
||||
tag_text = tag.get_text().lower()
|
||||
has_important = any(kw in tag_text for kw in ['телефон', 'email', 'адрес', '@', '+7', '8-'])
|
||||
if not has_important:
|
||||
tag.decompose()
|
||||
|
||||
# 4. Извлекаем текст (с переносами строк для читаемости)
|
||||
text = soup.get_text(separator='\n', strip=True)
|
||||
|
||||
# 5. Убираем лишние пробелы, но сохраняем структуру
|
||||
lines = [line.strip() for line in text.split('\n') if line.strip()]
|
||||
text = '\n'.join(lines)
|
||||
|
||||
# 6. Убираем повторяющиеся переносы
|
||||
text = re.sub(r'\n{3,}', '\n\n', text)
|
||||
|
||||
return text.strip()
|
||||
|
||||
@staticmethod
|
||||
def extract_structured_data(html: str, text: str) -> Dict:
|
||||
"""Извлечь структурированные данные"""
|
||||
data = {
|
||||
'phones': [],
|
||||
'emails': [],
|
||||
'inn': [],
|
||||
'ogrn': [],
|
||||
'addresses': []
|
||||
}
|
||||
|
||||
# Телефоны
|
||||
phones = re.findall(r'\+?[78][\s\-]?\(?(\d{3})\)?[\s\-]?(\d{3})[\s\-]?(\d{2})[\s\-]?(\d{2})', text)
|
||||
data['phones'] = list(set([''.join(p) for p in phones]))[:10]
|
||||
|
||||
# Email
|
||||
emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', text)
|
||||
data['emails'] = list(set(emails))[:10]
|
||||
|
||||
# ИНН (10 или 12 цифр, контекст "ИНН")
|
||||
inn_matches = re.findall(r'ИНН[:\s]*(\d{10}|\d{12})', text, re.IGNORECASE)
|
||||
data['inn'] = list(set(inn_matches))[:3]
|
||||
|
||||
# ОГРН (13 или 15 цифр, контекст "ОГРН")
|
||||
ogrn_matches = re.findall(r'ОГРН[:\s]*(\d{13}|\d{15})', text, re.IGNORECASE)
|
||||
data['ogrn'] = list(set(ogrn_matches))[:3]
|
||||
|
||||
# Адреса (упрощенно - строки с "адрес:", "г.", "ул.")
|
||||
address_patterns = [
|
||||
r'[Аа]дрес[:\s]+([^\n]{20,150})',
|
||||
r'г\.\s*[А-Я][а-я\-]+[,\s]+ул\.\s*[^\n]{10,100}'
|
||||
]
|
||||
for pattern in address_patterns:
|
||||
addresses = re.findall(pattern, text)
|
||||
data['addresses'].extend(addresses[:3])
|
||||
|
||||
data['addresses'] = list(set(data['addresses']))[:5]
|
||||
|
||||
return data
|
||||
|
||||
|
||||
class WebsiteCrawlerDB:
|
||||
"""Crawler с сохранением в PostgreSQL"""
|
||||
|
||||
def __init__(self, hotel_id: str, hotel_name: str, website: str):
|
||||
self.hotel_id = hotel_id
|
||||
self.hotel_name = hotel_name
|
||||
self.website = self.normalize_url(website)
|
||||
self.domain = self.extract_domain(self.website)
|
||||
self.visited_urls: Set[str] = set()
|
||||
self.pages_data: List[Dict] = []
|
||||
self.cleaner = TextCleaner()
|
||||
self.conn = None
|
||||
self.start_time = None
|
||||
|
||||
@staticmethod
|
||||
def normalize_url(url: str) -> str:
|
||||
"""Нормализация URL"""
|
||||
if not url.startswith(('http://', 'https://')):
|
||||
url = 'https://' + url
|
||||
return url.rstrip('/')
|
||||
|
||||
@staticmethod
|
||||
def extract_domain(url: str) -> str:
|
||||
"""Извлечь домен"""
|
||||
parsed = urlparse(url)
|
||||
return parsed.netloc.lower()
|
||||
|
||||
def is_internal_link(self, url: str) -> bool:
|
||||
"""Проверка внутренней ссылки"""
|
||||
try:
|
||||
parsed = urlparse(url)
|
||||
link_domain = parsed.netloc.lower()
|
||||
return (link_domain == self.domain or
|
||||
link_domain.endswith('.' + self.domain) or
|
||||
self.domain.endswith('.' + link_domain))
|
||||
except:
|
||||
return False
|
||||
|
||||
def connect_db(self):
|
||||
"""Подключение к БД"""
|
||||
self.conn = psycopg2.connect(**DB_CONFIG)
|
||||
logger.info(" ✓ Подключено к PostgreSQL")
|
||||
|
||||
def init_meta(self):
|
||||
"""Инициализация метаинформации"""
|
||||
cur = self.conn.cursor()
|
||||
cur.execute("""
|
||||
INSERT INTO hotel_website_meta
|
||||
(hotel_id, domain, main_url, crawl_status, crawl_started_at)
|
||||
VALUES (%s, %s, %s, 'in_progress', %s)
|
||||
ON CONFLICT (hotel_id) DO UPDATE SET
|
||||
crawl_status = 'in_progress',
|
||||
crawl_started_at = EXCLUDED.crawl_started_at,
|
||||
updated_at = CURRENT_TIMESTAMP
|
||||
""", (self.hotel_id, self.domain, self.website, self.start_time))
|
||||
self.conn.commit()
|
||||
cur.close()
|
||||
|
||||
def save_page(self, url: str, title: str, html: str, status_code: int,
|
||||
response_time: int, depth: int, cleaned_text: str, structured_data: Dict):
|
||||
"""Сохранить страницу в БД"""
|
||||
cur = self.conn.cursor()
|
||||
|
||||
try:
|
||||
# Сохраняем сырой HTML
|
||||
cur.execute("""
|
||||
INSERT INTO hotel_website_raw
|
||||
(hotel_id, url, page_title, html, status_code, response_time_ms, depth)
|
||||
VALUES (%s, %s, %s, %s, %s, %s, %s)
|
||||
ON CONFLICT (hotel_id, url) DO UPDATE SET
|
||||
html = EXCLUDED.html,
|
||||
page_title = EXCLUDED.page_title,
|
||||
status_code = EXCLUDED.status_code,
|
||||
response_time_ms = EXCLUDED.response_time_ms,
|
||||
crawled_at = CURRENT_TIMESTAMP
|
||||
RETURNING id
|
||||
""", (self.hotel_id, url, title, html, status_code, response_time, depth))
|
||||
|
||||
raw_page_id = cur.fetchone()[0]
|
||||
|
||||
# Сохраняем обработанный текст
|
||||
cur.execute("""
|
||||
INSERT INTO hotel_website_processed
|
||||
(raw_page_id, hotel_id, url, cleaned_text, extracted_data,
|
||||
has_forms, has_booking, text_length)
|
||||
VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
|
||||
ON CONFLICT DO NOTHING
|
||||
""", (raw_page_id, self.hotel_id, url, cleaned_text, Json(structured_data),
|
||||
structured_data.get('has_forms', False),
|
||||
structured_data.get('has_booking', False),
|
||||
len(cleaned_text)))
|
||||
|
||||
self.conn.commit()
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Ошибка сохранения страницы {url}: {e}")
|
||||
self.conn.rollback()
|
||||
finally:
|
||||
cur.close()
|
||||
|
||||
def update_meta(self, status: str, error_msg: Optional[str] = None):
|
||||
"""Обновить метаинформацию"""
|
||||
cur = self.conn.cursor()
|
||||
|
||||
total_size = sum(len(p.get('html', '')) for p in self.pages_data)
|
||||
|
||||
cur.execute("""
|
||||
UPDATE hotel_website_meta SET
|
||||
pages_crawled = %s,
|
||||
total_size_bytes = %s,
|
||||
crawl_status = %s,
|
||||
crawl_finished_at = %s,
|
||||
error_message = %s,
|
||||
updated_at = CURRENT_TIMESTAMP
|
||||
WHERE hotel_id = %s
|
||||
""", (len(self.pages_data), total_size, status, datetime.now(), error_msg, self.hotel_id))
|
||||
|
||||
self.conn.commit()
|
||||
cur.close()
|
||||
|
||||
async def extract_page_data(self, page: Page, url: str, depth: int) -> Optional[Dict]:
|
||||
"""Извлечь данные со страницы"""
|
||||
start_time = datetime.now()
|
||||
|
||||
try:
|
||||
title = await page.title()
|
||||
html = await page.content()
|
||||
|
||||
# Очищаем текст
|
||||
cleaned_text = self.cleaner.clean_html(html)
|
||||
|
||||
# Извлекаем структурированные данные
|
||||
structured_data = self.cleaner.extract_structured_data(html, cleaned_text)
|
||||
|
||||
# Извлекаем ссылки
|
||||
links = await page.evaluate("""
|
||||
() => Array.from(document.querySelectorAll('a[href]'))
|
||||
.map(a => a.href)
|
||||
.filter(href => href && !href.startsWith('mailto:') && !href.startsWith('tel:'))
|
||||
""")
|
||||
|
||||
# Проверки
|
||||
structured_data['has_forms'] = await page.evaluate("() => document.querySelectorAll('form').length > 0")
|
||||
structured_data['has_booking'] = 'бронирован' in cleaned_text.lower() or 'booking' in cleaned_text.lower()
|
||||
|
||||
response_time = int((datetime.now() - start_time).total_seconds() * 1000)
|
||||
|
||||
page_data = {
|
||||
'url': url,
|
||||
'title': title,
|
||||
'html': html,
|
||||
'cleaned_text': cleaned_text,
|
||||
'structured_data': structured_data,
|
||||
'links': list(set(links)),
|
||||
'status_code': 200,
|
||||
'response_time': response_time,
|
||||
'depth': depth,
|
||||
'text_length': len(cleaned_text)
|
||||
}
|
||||
|
||||
# Сохраняем в БД
|
||||
self.save_page(
|
||||
url, title, html, 200, response_time, depth,
|
||||
cleaned_text, structured_data
|
||||
)
|
||||
|
||||
return page_data
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Ошибка извлечения данных с {url}: {e}")
|
||||
return None
|
||||
|
||||
async def crawl_page(self, page: Page, url: str, depth: int = 0):
|
||||
"""Парсинг одной страницы"""
|
||||
if url in self.visited_urls or len(self.visited_urls) >= MAX_PAGES_PER_SITE:
|
||||
return
|
||||
|
||||
# Пропускаем PDF и файлы
|
||||
if url.lower().endswith(('.pdf', '.doc', '.docx', '.zip', '.jpg', '.png')):
|
||||
return
|
||||
|
||||
try:
|
||||
logger.info(f" Парсинг (depth={depth}): {url[:80]}...")
|
||||
|
||||
# Загружаем страницу
|
||||
try:
|
||||
await page.goto(url, wait_until='domcontentloaded', timeout=NAVIGATION_TIMEOUT)
|
||||
await page.wait_for_timeout(2000)
|
||||
except Exception as e:
|
||||
logger.warning(f" Пробуем load вместо domcontentloaded")
|
||||
await page.goto(url, wait_until='load', timeout=NAVIGATION_TIMEOUT)
|
||||
await page.wait_for_timeout(1000)
|
||||
|
||||
self.visited_urls.add(url)
|
||||
|
||||
# Извлекаем и сохраняем данные
|
||||
page_data = await self.extract_page_data(page, url, depth)
|
||||
|
||||
if page_data:
|
||||
self.pages_data.append(page_data)
|
||||
logger.info(f" ✓ Сохранено {page_data['text_length']} символов в БД")
|
||||
|
||||
# Парсим внутренние ссылки (только для depth=0)
|
||||
if depth == 0 and page_data.get('links'):
|
||||
internal_links = [
|
||||
link for link in page_data['links']
|
||||
if self.is_internal_link(link) and link not in self.visited_urls
|
||||
]
|
||||
|
||||
logger.info(f" Найдено {len(internal_links)} внутренних ссылок")
|
||||
|
||||
# Парсим depth=1
|
||||
for link in internal_links[:MAX_PAGES_PER_SITE - 1]:
|
||||
if len(self.visited_urls) >= MAX_PAGES_PER_SITE:
|
||||
break
|
||||
await self.crawl_page(page, link, depth=1)
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f" ✗ Ошибка парсинга {url}: {e}")
|
||||
|
||||
async def crawl(self) -> bool:
|
||||
"""Запуск парсинга сайта"""
|
||||
self.start_time = datetime.now()
|
||||
|
||||
logger.info(f"\n{'='*70}")
|
||||
logger.info(f"🏨 {self.hotel_name[:60]}")
|
||||
logger.info(f"🌐 {self.website}")
|
||||
logger.info(f"{'='*70}")
|
||||
|
||||
self.connect_db()
|
||||
self.init_meta()
|
||||
|
||||
try:
|
||||
async with async_playwright() as p:
|
||||
browser = await p.chromium.launch(headless=True)
|
||||
page = await browser.new_page()
|
||||
|
||||
# Парсим главную
|
||||
await self.crawl_page(page, self.website, depth=0)
|
||||
|
||||
await browser.close()
|
||||
|
||||
logger.info(f"✓ Спарсено {len(self.pages_data)} страниц")
|
||||
|
||||
# Обновляем метаинформацию
|
||||
self.update_meta('completed')
|
||||
|
||||
return len(self.pages_data) > 0
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"✗ Критическая ошибка: {e}")
|
||||
self.update_meta('failed', str(e))
|
||||
return False
|
||||
|
||||
finally:
|
||||
if self.conn:
|
||||
self.conn.close()
|
||||
|
||||
|
||||
async def main():
|
||||
"""Главная функция"""
|
||||
import sys
|
||||
|
||||
hotels_file = sys.argv[1] if len(sys.argv) > 1 else 'test_single_hotel.json'
|
||||
|
||||
with open(hotels_file, 'r', encoding='utf-8') as f:
|
||||
hotels = json.load(f)
|
||||
|
||||
logger.info(f"\n{'='*70}")
|
||||
logger.info(f"🚀 ЗАПУСК КРАУЛИНГА С СОХРАНЕНИЕМ В POSTGRESQL")
|
||||
logger.info(f"📊 Отелей: {len(hotels)}")
|
||||
logger.info(f"💾 Таблицы: hotel_website_raw, hotel_website_meta")
|
||||
logger.info(f"{'='*70}\n")
|
||||
|
||||
success_count = 0
|
||||
error_count = 0
|
||||
|
||||
for idx, hotel in enumerate(hotels, 1):
|
||||
logger.info(f"\n[{idx}/{len(hotels)}] ====================================")
|
||||
|
||||
try:
|
||||
crawler = WebsiteCrawlerDB(
|
||||
hotel_id=hotel['id'],
|
||||
hotel_name=hotel['name'],
|
||||
website=hotel['website']
|
||||
)
|
||||
|
||||
if await crawler.crawl():
|
||||
success_count += 1
|
||||
else:
|
||||
error_count += 1
|
||||
|
||||
# Задержка между отелями
|
||||
await asyncio.sleep(3)
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"✗ Ошибка для отеля {hotel['name']}: {e}")
|
||||
error_count += 1
|
||||
|
||||
logger.info(f"\n{'='*70}")
|
||||
logger.info(f"📊 ИТОГИ:")
|
||||
logger.info(f" ✅ Успешно: {success_count}/{len(hotels)}")
|
||||
logger.info(f" ✗ Ошибки: {error_count}/{len(hotels)}")
|
||||
logger.info(f"{'='*70}\n")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
asyncio.run(main())
|
||||
|
||||
Reference in New Issue
Block a user