Files

Фёдор 684fada337 🚀 Full project sync: Hotels RAG & Audit System

✨ Major Features:
- Complete RAG system for hotel website analysis
- Hybrid audit with BGE-M3 embeddings + Natasha NER
- Universal horizontal Excel reports with dashboards
- Multi-region processing (SPb, Orel, Chukotka, Kamchatka)

📊 Completed Regions:
- Орловская область: 100% (36/36)
- Чукотский АО: 100% (4/4)
- г. Санкт-Петербург: 93% (893/960)
- Камчатский край: 87% (89/102)

🔧 Infrastructure:
- PostgreSQL with pgvector extension
- BGE-M3 embeddings API
- Browserless for web scraping
- N8N workflows for automation
- S3/Nextcloud file storage

📝 Documentation:
- Complete DB schemas
- API documentation
- Setup guides
- Status reports

2025-10-27 22:49:42 +03:00

7.9 KiB

Raw Blame History

🕷️ Universal Parser API

Универсальный API для парсинга любых сайтов с обходом защит (Cloudflare, WAF, антибот систем).

🚀 Возможности

✅ Обход Cloudflare, WAF, антибот систем
✅ Рендеринг JavaScript (React, Vue, Angular)
✅ Извлечение текста и HTML
✅ Парсинг ссылок
✅ Скриншоты страниц
✅ API ключ для безопасности
✅ Асинхронная обработка

📦 Установка

# Установка зависимостей
pip3 install --break-system-packages fastapi uvicorn playwright playwright-stealth

# Установка браузеров Playwright
playwright install chromium

🔧 Запуск

# Запуск API сервера
python3 universal_parser_api.py

# Сервер запустится на http://localhost:8003
# Документация: http://localhost:8003/docs

🔑 API Ключ

X-API-Key: parser_2025_secret_key_a8f3d9c1b4e7

⚠️ В продакшене: храни ключ в .env файле!

📡 Endpoints

1. POST /parse

Парсинг страницы с обходом защит.

Параметры запроса:

{
  "url": "https://example.com",
  "wait_seconds": 3,          // Время ожидания после загрузки
  "extract_links": false,     // Извлечь все ссылки
  "screenshot": false,        // Сделать скриншот
  "javascript_enabled": true, // Включить JS
  "user_agent": null          // Кастомный User-Agent (опционально)
}

Ответ:

{
  "success": true,
  "url": "https://example.com",
  "status_code": 200,
  "title": "Example Domain",
  "html": "<html>...</html>",
  "text": "Example Domain\nThis domain is for...",
  "text_length": 1234,
  "links": ["https://...", "..."],
  "screenshot_base64": null,
  "parsing_time": 2.45,
  "timestamp": "2025-10-17T16:30:00",
  "error": null
}

2. GET /health

Проверка статуса API.

Ответ:

{
  "status": "healthy",
  "version": "1.0.0",
  "timestamp": "2025-10-17T16:30:00"
}

💻 Примеры использования

Python

import requests

API_URL = "http://localhost:8003"
API_KEY = "parser_2025_secret_key_a8f3d9c1b4e7"

def parse_page(url):
    headers = {
        "X-API-Key": API_KEY,
        "Content-Type": "application/json"
    }
    
    payload = {
        "url": url,
        "wait_seconds": 5,
        "extract_links": True
    }
    
    response = requests.post(
        f"{API_URL}/parse",
        headers=headers,
        json=payload
    )
    
    if response.status_code == 200:
        data = response.json()
        print(f"Статус: {data['status_code']}")
        print(f"Title: {data['title']}")
        print(f"Текст: {data['text'][:500]}")
    
    return response.json()

# Использование
result = parse_page("https://mos-sud.ru/...")

cURL

curl -X POST "http://localhost:8003/parse" \
  -H "X-API-Key: parser_2025_secret_key_a8f3d9c1b4e7" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://example.com",
    "wait_seconds": 3,
    "extract_links": true
  }'

JavaScript

const parseUrl = async (url) => {
  const response = await fetch('http://localhost:8003/parse', {
    method: 'POST',
    headers: {
      'X-API-Key': 'parser_2025_secret_key_a8f3d9c1b4e7',
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({
      url: url,
      wait_seconds: 3,
      extract_links: true
    })
  });
  
  const data = await response.json();
  console.log('Статус:', data.status_code);
  console.log('Title:', data.title);
  console.log('Текст:', data.text.substring(0, 500));
  
  return data;
};

// Использование
parseUrl('https://example.com');

PHP

<?php
$url = "http://localhost:8003/parse";
$api_key = "parser_2025_secret_key_a8f3d9c1b4e7";

$data = [
    "url" => "https://example.com",
    "wait_seconds" => 3,
    "extract_links" => true
];

$ch = curl_init($url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_POST, true);
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data));
curl_setopt($ch, CURLOPT_HTTPHEADER, [
    "X-API-Key: $api_key",
    "Content-Type: application/json"
]);

$response = curl_exec($ch);
$result = json_decode($response, true);

echo "Статус: " . $result['status_code'] . "\n";
echo "Title: " . $result['title'] . "\n";

curl_close($ch);
?>

🧪 Тестирование

# Запустить тестовый скрипт
python3 test_parser_api.py

🔒 Безопасность

API ключ в .env:

# .env
PARSER_API_KEY=parser_2025_secret_key_a8f3d9c1b4e7

# В коде
import os
from dotenv import load_dotenv

load_dotenv()
API_KEY = os.getenv("PARSER_API_KEY")

Rate limiting (добавить если нужно):

pip install slowapi

HTTPS (для продакшена):

uvicorn universal_parser_api:app --host 0.0.0.0 --port 8003 --ssl-keyfile key.pem --ssl-certfile cert.pem

🎯 Use Cases

1. Парсинг судебных сайтов

result = parse_page("https://mos-sud.ru/312/cases/...")
case_number = extract_case_number(result['text'])

2. Мониторинг сайтов

# Проверка изменений на сайте каждые 5 минут
import schedule

def check_website():
    result = parse_page("https://target-site.com")
    if "ВАЖНОЕ ОБНОВЛЕНИЕ" in result['text']:
        send_notification()

schedule.every(5).minutes.do(check_website)

3. Сбор данных

# Парсинг списка отелей
result = parse_page("https://booking-site.com", extract_links=True)
hotel_links = [link for link in result['links'] if '/hotel/' in link]

for link in hotel_links:
    hotel_data = parse_page(link)
    save_to_database(hotel_data)

📊 Производительность

⚡ Скорость: 2-5 секунд на страницу
🔄 Параллельность: Поддерживает множественные запросы
💾 Память: ~200MB на один браузер

🐛 Отладка

Логи сохраняются в parser_api.log:

tail -f parser_api.log

🚀 Production

Запуск через systemd

# /etc/systemd/system/parser-api.service
[Unit]
Description=Universal Parser API
After=network.target

[Service]
Type=simple
User=www-data
WorkingDirectory=/path/to/project
ExecStart=/usr/bin/python3 universal_parser_api.py
Restart=always

[Install]
WantedBy=multi-user.target

sudo systemctl enable parser-api
sudo systemctl start parser-api

Docker

FROM python:3.12-slim

RUN apt-get update && apt-get install -y \
    wget \
    gnupg \
    && rm -rf /var/lib/apt/lists/*

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
RUN playwright install --with-deps chromium

COPY universal_parser_api.py .

EXPOSE 8003

CMD ["python3", "universal_parser_api.py"]

📝 Примечания

⚠️ Соблюдай robots.txt и ToS сайтов
⚠️ Используй rate limiting для больших объёмов
⚠️ Некоторые сайты могут всё равно блокировать (требуется прокси)

🆘 Поддержка

Если API не работает:

Проверь логи: tail -f parser_api.log
Проверь статус: curl http://localhost:8003/health
Проверь API ключ
Проверь порт 8003 (не занят ли)

Версия: 1.0.0
Дата: 17.10.2025
Автор: Your Team

7.9 KiB Raw Blame History Unescape Escape