684fada337
✨ 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
387 lines
15 KiB
Python
387 lines
15 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
ЭТАП 1: Создание hotel_website_processed для Питера через Browserless Scrape
|
||
HTML → Browserless → cleaned_text → hotel_website_processed
|
||
"""
|
||
|
||
import psycopg2
|
||
from psycopg2.extras import RealDictCursor
|
||
from urllib.parse import unquote
|
||
import requests
|
||
import json
|
||
import time
|
||
import logging
|
||
from datetime import datetime
|
||
import threading
|
||
from concurrent.futures import ThreadPoolExecutor, as_completed
|
||
import queue
|
||
|
||
# Настройка логирования
|
||
logging.basicConfig(
|
||
level=logging.INFO,
|
||
format='%(asctime)s - %(levelname)s - %(message)s',
|
||
handlers=[
|
||
logging.FileHandler(f'spb_processed_creation_{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')
|
||
}
|
||
|
||
# Browserless API
|
||
BROWSERLESS_URL = "http://147.45.146.17:3000/function?token=9ahhnpjkchxtcho9"
|
||
|
||
# Многопоточность
|
||
MAX_WORKERS = 5 # Количество потоков для Browserless
|
||
|
||
class SpbProcessor:
|
||
def __init__(self):
|
||
self.conn = None
|
||
self.cur = None
|
||
self.connect_db()
|
||
|
||
def connect_db(self):
|
||
"""Подключение к БД"""
|
||
try:
|
||
self.conn = psycopg2.connect(**DB_CONFIG, cursor_factory=RealDictCursor)
|
||
self.conn.autocommit = True
|
||
self.cur = self.conn.cursor()
|
||
logger.info("✅ Подключение к БД установлено")
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка подключения к БД: {e}")
|
||
raise
|
||
|
||
def create_processed_table(self):
|
||
"""Создание таблицы hotel_website_processed если не существует"""
|
||
try:
|
||
self.cur.execute("""
|
||
CREATE TABLE IF NOT EXISTS hotel_website_processed (
|
||
id SERIAL PRIMARY KEY,
|
||
hotel_id UUID NOT NULL,
|
||
url TEXT,
|
||
cleaned_text TEXT,
|
||
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
|
||
FOREIGN KEY (hotel_id) REFERENCES hotel_main(id)
|
||
);
|
||
""")
|
||
|
||
# Создаем индекс
|
||
self.cur.execute("""
|
||
CREATE INDEX IF NOT EXISTS idx_hotel_website_processed_hotel_id
|
||
ON hotel_website_processed(hotel_id);
|
||
""")
|
||
|
||
logger.info("✅ Таблица hotel_website_processed готова")
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка создания таблицы: {e}")
|
||
raise
|
||
|
||
def clean_html_with_browserless(self, html: str, max_retries: int = 3) -> str:
|
||
"""Очистка HTML через Browserless Scrape API с retry логикой"""
|
||
|
||
# JavaScript функция для извлечения текста
|
||
scrape_function = """
|
||
export default async function ({ page, context }) {
|
||
const html = context.html;
|
||
|
||
// Устанавливаем HTML в страницу
|
||
await page.setContent(html);
|
||
|
||
// Извлекаем весь текст
|
||
const text = await page.evaluate(() => {
|
||
// Удаляем script и style элементы
|
||
const scripts = document.querySelectorAll('script, style');
|
||
scripts.forEach(el => el.remove());
|
||
|
||
// Получаем весь текст
|
||
return document.body.innerText || document.body.textContent || '';
|
||
});
|
||
|
||
return {
|
||
text: text,
|
||
length: text.length
|
||
};
|
||
}
|
||
"""
|
||
|
||
payload = {
|
||
"code": scrape_function,
|
||
"context": {"html": html}
|
||
}
|
||
|
||
for attempt in range(max_retries):
|
||
try:
|
||
response = requests.post(BROWSERLESS_URL, json=payload, timeout=30)
|
||
response.raise_for_status()
|
||
|
||
result = response.json()
|
||
if result and 'text' in result:
|
||
return result['text']
|
||
return ""
|
||
|
||
except Exception as e:
|
||
if attempt < max_retries - 1:
|
||
wait_time = 2 ** attempt # Экспоненциальная задержка
|
||
logger.warning(f"⚠️ Попытка {attempt + 1}/{max_retries} не удалась, ждём {wait_time}с: {e}")
|
||
time.sleep(wait_time)
|
||
else:
|
||
logger.error(f"❌ Все попытки исчерпаны для Browserless API: {e}")
|
||
return ""
|
||
|
||
return ""
|
||
|
||
def process_page(self, page_data: dict) -> dict:
|
||
"""Обработка одной страницы (для многопоточности)"""
|
||
page_id = page_data['id']
|
||
url = page_data['url']
|
||
html = page_data['html']
|
||
hotel_id = page_data['hotel_id']
|
||
|
||
try:
|
||
# Очищаем HTML через Browserless
|
||
cleaned_text = self.clean_html_with_browserless(html)
|
||
|
||
if cleaned_text and len(cleaned_text.strip()) > 50:
|
||
return {
|
||
'success': True,
|
||
'page_id': page_id,
|
||
'hotel_id': hotel_id,
|
||
'url': url,
|
||
'cleaned_text': cleaned_text,
|
||
'length': len(cleaned_text)
|
||
}
|
||
else:
|
||
return {
|
||
'success': False,
|
||
'page_id': page_id,
|
||
'hotel_id': hotel_id,
|
||
'error': 'Слишком короткий текст'
|
||
}
|
||
|
||
except Exception as e:
|
||
return {
|
||
'success': False,
|
||
'page_id': page_id,
|
||
'hotel_id': hotel_id,
|
||
'error': str(e)
|
||
}
|
||
|
||
def process_hotel_pages(self, hotel_id: str) -> int:
|
||
"""Обработка всех страниц одного отеля (многопоточно)"""
|
||
try:
|
||
# Получаем HTML страницы отеля
|
||
self.cur.execute("""
|
||
SELECT id, url, html
|
||
FROM hotel_website_raw
|
||
WHERE hotel_id = %s
|
||
AND html IS NOT NULL
|
||
ORDER BY id
|
||
""", (hotel_id,))
|
||
|
||
pages = self.cur.fetchall()
|
||
if not pages:
|
||
logger.warning(f"⚠️ Нет HTML для отеля {hotel_id}")
|
||
return 0
|
||
|
||
logger.info(f"📄 Найдено {len(pages)} страниц для отеля")
|
||
|
||
# Подготавливаем данные для многопоточности
|
||
page_data_list = []
|
||
for page in pages:
|
||
page_data_list.append({
|
||
'id': page['id'],
|
||
'url': page['url'],
|
||
'html': page['html'],
|
||
'hotel_id': hotel_id
|
||
})
|
||
|
||
processed_count = 0
|
||
|
||
# Многопоточная обработка страниц
|
||
with ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:
|
||
# Отправляем задачи
|
||
future_to_page = {
|
||
executor.submit(self.process_page, page_data): page_data
|
||
for page_data in page_data_list
|
||
}
|
||
|
||
# Обрабатываем результаты
|
||
for future in as_completed(future_to_page):
|
||
result = future.result()
|
||
|
||
if result['success']:
|
||
# Сохраняем в hotel_website_processed
|
||
self.cur.execute("""
|
||
INSERT INTO hotel_website_processed (hotel_id, url, cleaned_text)
|
||
VALUES (%s, %s, %s)
|
||
ON CONFLICT DO NOTHING
|
||
""", (result['hotel_id'], result['url'], result['cleaned_text']))
|
||
|
||
processed_count += 1
|
||
logger.info(f" ✅ Страница {result['page_id']}: {result['length']} символов")
|
||
else:
|
||
logger.warning(f" ⚠️ Страница {result['page_id']}: {result['error']}")
|
||
|
||
logger.info(f"✅ Отель обработан: {processed_count}/{len(pages)} страниц")
|
||
return processed_count
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка обработки отеля {hotel_id}: {e}")
|
||
return 0
|
||
|
||
def get_spb_hotels(self):
|
||
"""Получение списка отелей Питера для обработки"""
|
||
try:
|
||
self.cur.execute("""
|
||
SELECT DISTINCT h.id, h.full_name
|
||
FROM hotel_main h
|
||
INNER JOIN hotel_website_raw hwr ON h.id = hwr.hotel_id
|
||
WHERE h.region_name = 'г. Санкт-Петербург'
|
||
AND hwr.html IS NOT NULL
|
||
AND NOT EXISTS (
|
||
SELECT 1 FROM hotel_website_processed hwp
|
||
WHERE hwp.hotel_id = h.id
|
||
)
|
||
ORDER BY h.id
|
||
""")
|
||
|
||
hotels = self.cur.fetchall()
|
||
logger.info(f"📊 Найдено {len(hotels)} отелей для обработки")
|
||
return hotels
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка получения списка отелей: {e}")
|
||
return []
|
||
|
||
def get_stats(self):
|
||
"""Получение статистики"""
|
||
try:
|
||
# Всего отелей с HTML
|
||
self.cur.execute("""
|
||
SELECT COUNT(DISTINCT h.id)
|
||
FROM hotel_main h
|
||
INNER JOIN hotel_website_raw hwr ON h.id = hwr.hotel_id
|
||
WHERE h.region_name = 'г. Санкт-Петербург'
|
||
AND hwr.html IS NOT NULL
|
||
""")
|
||
total_hotels = self.cur.fetchone()[0]
|
||
|
||
# Обработанных отелей
|
||
self.cur.execute("""
|
||
SELECT COUNT(DISTINCT hotel_id)
|
||
FROM hotel_website_processed hwp
|
||
WHERE EXISTS (
|
||
SELECT 1 FROM hotel_main h
|
||
WHERE h.id = hwp.hotel_id
|
||
AND h.region_name = 'г. Санкт-Петербург'
|
||
)
|
||
""")
|
||
processed_hotels = self.cur.fetchone()[0]
|
||
|
||
# Всего страниц обработано
|
||
self.cur.execute("""
|
||
SELECT COUNT(*)
|
||
FROM hotel_website_processed hwp
|
||
WHERE EXISTS (
|
||
SELECT 1 FROM hotel_main h
|
||
WHERE h.id = hwp.hotel_id
|
||
AND h.region_name = 'г. Санкт-Петербург'
|
||
)
|
||
""")
|
||
processed_pages = self.cur.fetchone()[0]
|
||
|
||
return {
|
||
'total_hotels': total_hotels,
|
||
'processed_hotels': processed_hotels,
|
||
'processed_pages': processed_pages
|
||
}
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка получения статистики: {e}")
|
||
return {}
|
||
|
||
def close(self):
|
||
"""Закрытие соединения"""
|
||
if self.cur:
|
||
self.cur.close()
|
||
if self.conn:
|
||
self.conn.close()
|
||
|
||
def main():
|
||
"""Основная функция"""
|
||
logger.info("🚀 ЭТАП 1: Создание hotel_website_processed для Питера")
|
||
logger.info("🌐 Используем Browserless Scrape для лучшего качества")
|
||
logger.info(f"⚡ Многопоточность: {MAX_WORKERS} потоков")
|
||
|
||
processor = SpbProcessor()
|
||
|
||
try:
|
||
# Создаем таблицу
|
||
processor.create_processed_table()
|
||
|
||
# Получаем статистику
|
||
stats = processor.get_stats()
|
||
logger.info(f"📊 Статистика:")
|
||
logger.info(f" Всего отелей: {stats.get('total_hotels', 0)}")
|
||
logger.info(f" Обработано отелей: {stats.get('processed_hotels', 0)}")
|
||
logger.info(f" Обработано страниц: {stats.get('processed_pages', 0)}")
|
||
|
||
# Получаем список отелей для обработки
|
||
hotels = processor.get_spb_hotels()
|
||
|
||
if not hotels:
|
||
logger.info("✅ Все отели уже обработаны!")
|
||
return
|
||
|
||
logger.info(f"🔄 Начинаем обработку {len(hotels)} отелей...")
|
||
|
||
total_processed = 0
|
||
start_time = time.time()
|
||
|
||
for i, hotel in enumerate(hotels, 1):
|
||
hotel_id = hotel['id']
|
||
hotel_name = hotel['full_name']
|
||
|
||
logger.info(f"🏨 [{i}/{len(hotels)}] {hotel_name[:50]}...")
|
||
|
||
processed = processor.process_hotel_pages(hotel_id)
|
||
total_processed += processed
|
||
|
||
# Обновляем статистику каждые 10 отелей
|
||
if i % 10 == 0:
|
||
stats = processor.get_stats()
|
||
elapsed = time.time() - start_time
|
||
rate = i / elapsed * 3600 # отелей в час
|
||
|
||
logger.info(f"📈 Прогресс: {i}/{len(hotels)} отелей")
|
||
logger.info(f"⏱️ Скорость: {rate:.1f} отелей/час")
|
||
logger.info(f"📊 Обработано страниц: {stats.get('processed_pages', 0)}")
|
||
|
||
# Финальная статистика
|
||
elapsed = time.time() - start_time
|
||
stats = processor.get_stats()
|
||
|
||
logger.info("=" * 60)
|
||
logger.info("✅ ЭТАП 1 ЗАВЕРШЁН!")
|
||
logger.info(f" Время: {elapsed/3600:.1f} часов")
|
||
logger.info(f" Обработано отелей: {stats.get('processed_hotels', 0)}")
|
||
logger.info(f" Обработано страниц: {stats.get('processed_pages', 0)}")
|
||
logger.info("=" * 60)
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Критическая ошибка: {e}")
|
||
finally:
|
||
processor.close()
|
||
|
||
if __name__ == "__main__":
|
||
main()
|