0cf3297290
- 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
274 lines
9.6 KiB
Python
Executable File
274 lines
9.6 KiB
Python
Executable File
#!/usr/bin/env python3
|
||
"""
|
||
Региональный краулер для массового сбора сайтов отелей
|
||
Параллельная версия с поддержкой указания региона
|
||
"""
|
||
|
||
import asyncio
|
||
import logging
|
||
from typing import List, Dict, Optional
|
||
from datetime import datetime
|
||
import psycopg2
|
||
from psycopg2.extras import RealDictCursor
|
||
from playwright.async_api import async_playwright, Page
|
||
import sys
|
||
|
||
# Конфигурация БД
|
||
from urllib.parse import unquote
|
||
|
||
DB_CONFIG = {
|
||
'host': "147.45.189.234",
|
||
'port': 5432,
|
||
'database': "default_db",
|
||
'user': "gen_user",
|
||
'password': unquote('2~~9_%5EkVsU%3F2%5CS')
|
||
}
|
||
|
||
# Настройка логирования
|
||
def setup_logging(region_name: str):
|
||
log_filename = f"crawler_{region_name.replace(' ', '_').replace('.', '')}.log"
|
||
logging.basicConfig(
|
||
level=logging.INFO,
|
||
format='%(asctime)s - %(levelname)s - %(message)s',
|
||
handlers=[
|
||
logging.FileHandler(log_filename, encoding='utf-8'),
|
||
logging.StreamHandler()
|
||
]
|
||
)
|
||
return logging.getLogger(__name__)
|
||
|
||
def get_hotels_to_crawl(region_name: str, limit: int = None) -> List[Dict]:
|
||
"""Получить необработанные отели конкретного региона"""
|
||
conn = psycopg2.connect(**DB_CONFIG, cursor_factory=RealDictCursor)
|
||
cur = conn.cursor()
|
||
|
||
query = """
|
||
SELECT
|
||
h.id,
|
||
h.full_name,
|
||
h.region_name,
|
||
h.website_address,
|
||
hwm.error_message
|
||
FROM hotel_main h
|
||
LEFT JOIN hotel_website_raw hwr ON hwr.hotel_id = h.id
|
||
LEFT JOIN hotel_website_meta hwm ON hwm.hotel_id = h.id
|
||
WHERE h.website_address IS NOT NULL
|
||
AND h.website_address != ''
|
||
AND h.region_name = %s
|
||
AND hwr.hotel_id IS NULL
|
||
AND (hwm.error_message IS NULL OR hwm.error_message = '')
|
||
ORDER BY h.full_name
|
||
"""
|
||
|
||
if limit:
|
||
query += f" LIMIT {limit}"
|
||
|
||
cur.execute(query, (region_name,))
|
||
hotels = cur.fetchall()
|
||
|
||
cur.close()
|
||
conn.close()
|
||
|
||
return hotels
|
||
|
||
def mark_hotel_failed(hotel_id: str, error_message: str):
|
||
"""Помечает отель как проблемный"""
|
||
try:
|
||
conn = psycopg2.connect(**DB_CONFIG)
|
||
cur = conn.cursor()
|
||
|
||
cur.execute("""
|
||
INSERT INTO hotel_website_meta (hotel_id, error_message, updated_at)
|
||
VALUES (%s, %s, NOW())
|
||
ON CONFLICT (hotel_id)
|
||
DO UPDATE SET
|
||
error_message = EXCLUDED.error_message,
|
||
updated_at = NOW()
|
||
""", (hotel_id, error_message))
|
||
|
||
conn.commit()
|
||
cur.close()
|
||
conn.close()
|
||
except Exception as e:
|
||
logging.error(f"Ошибка пометки отеля как failed: {e}")
|
||
|
||
def save_to_db(hotel_id: str, website_url: str, pages_data: List[Dict]):
|
||
"""Сохранение в PostgreSQL"""
|
||
try:
|
||
conn = psycopg2.connect(**DB_CONFIG)
|
||
cur = conn.cursor()
|
||
|
||
# Сохраняем каждую страницу в hotel_website_raw
|
||
for page in pages_data:
|
||
cur.execute("""
|
||
INSERT INTO hotel_website_raw (hotel_id, url, html, created_at)
|
||
VALUES (%s, %s, %s, NOW())
|
||
""", (hotel_id, page['url'], page['html']))
|
||
|
||
# Обновляем метаданные
|
||
cur.execute("""
|
||
INSERT INTO hotel_website_meta (hotel_id, pages_crawled, updated_at)
|
||
VALUES (%s, %s, NOW())
|
||
ON CONFLICT (hotel_id)
|
||
DO UPDATE SET
|
||
pages_crawled = EXCLUDED.pages_crawled,
|
||
error_message = NULL,
|
||
updated_at = NOW()
|
||
""", (hotel_id, len(pages_data)))
|
||
|
||
conn.commit()
|
||
cur.close()
|
||
conn.close()
|
||
|
||
return True
|
||
except Exception as e:
|
||
logging.error(f"Ошибка сохранения в БД: {e}")
|
||
return False
|
||
|
||
async def crawl_hotel(hotel: Dict, logger) -> bool:
|
||
"""Краулинг одного отеля"""
|
||
hotel_id = str(hotel['id'])
|
||
website = hotel['website_address'].strip()
|
||
hotel_name = hotel['full_name']
|
||
region = hotel['region_name']
|
||
|
||
logger.info(f"🏨 {hotel_name} ({region})")
|
||
logger.info(f" URL: {website}")
|
||
|
||
# Нормализация URL
|
||
if not website.startswith('http'):
|
||
website = f"https://{website}"
|
||
|
||
try:
|
||
async with async_playwright() as p:
|
||
browser = await p.chromium.launch(headless=True)
|
||
context = await browser.new_context(
|
||
viewport={'width': 1920, 'height': 1080},
|
||
user_agent='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
|
||
)
|
||
|
||
page = await context.new_page()
|
||
|
||
# Загружаем главную страницу
|
||
try:
|
||
await page.goto(website, wait_until='domcontentloaded', timeout=30000)
|
||
await page.wait_for_timeout(2000)
|
||
except Exception as e:
|
||
error_msg = str(e)[:200]
|
||
logger.warning(f" ❌ Ошибка загрузки: {error_msg}")
|
||
mark_hotel_failed(hotel_id, error_msg)
|
||
await browser.close()
|
||
return False
|
||
|
||
# Проверяем статус
|
||
if page.url.startswith('https://www.reg.ru/domain/') or 'Домен припаркован' in await page.content():
|
||
logger.warning(f" ⚠️ Домен припаркован")
|
||
mark_hotel_failed(hotel_id, "Domain parked")
|
||
await browser.close()
|
||
return False
|
||
|
||
# Собираем главную страницу
|
||
main_html = await page.content()
|
||
main_text_length = len(await page.inner_text('body'))
|
||
logger.info(f" ✅ Главная: {main_text_length} символов")
|
||
|
||
pages_data = [{
|
||
'url': page.url,
|
||
'html': main_html
|
||
}]
|
||
|
||
# Собираем внутренние ссылки
|
||
internal_links = await page.evaluate("""
|
||
() => {
|
||
const links = Array.from(document.querySelectorAll('a[href]'));
|
||
const baseUrl = window.location.origin;
|
||
return [...new Set(
|
||
links
|
||
.map(a => a.href)
|
||
.filter(href => href.startsWith(baseUrl) && !href.includes('#'))
|
||
)].slice(0, 14);
|
||
}
|
||
""")
|
||
|
||
logger.info(f" 📄 Найдено {len(internal_links)} внутренних ссылок")
|
||
|
||
# Обходим внутренние страницы
|
||
for link in internal_links[:14]:
|
||
try:
|
||
await page.goto(link, wait_until='domcontentloaded', timeout=15000)
|
||
await page.wait_for_timeout(500)
|
||
|
||
link_html = await page.content()
|
||
pages_data.append({
|
||
'url': page.url,
|
||
'html': link_html
|
||
})
|
||
except Exception:
|
||
continue
|
||
|
||
await browser.close()
|
||
|
||
# Сохраняем в БД
|
||
if save_to_db(hotel_id, website, pages_data):
|
||
logger.info(f" 💾 Сохранено {len(pages_data)} страниц")
|
||
return True
|
||
else:
|
||
logger.error(f" ❌ Ошибка сохранения в БД")
|
||
return False
|
||
|
||
except Exception as e:
|
||
logger.error(f" ❌ Критическая ошибка: {e}")
|
||
mark_hotel_failed(hotel_id, str(e)[:200])
|
||
return False
|
||
|
||
async def main(region_name: str):
|
||
"""Главная функция"""
|
||
logger = setup_logging(region_name)
|
||
|
||
logger.info(f"🚀 ЗАПУСК РЕГИОНАЛЬНОГО КРАУЛЕРА")
|
||
logger.info(f"🌍 Регион: {region_name}")
|
||
logger.info("="*60)
|
||
|
||
# Получаем отели для обработки
|
||
hotels = get_hotels_to_crawl(region_name)
|
||
|
||
if not hotels:
|
||
logger.info(f"✅ Все отели региона {region_name} уже обработаны!")
|
||
return
|
||
|
||
logger.info(f"📊 Найдено отелей для обработки: {len(hotels)}\n")
|
||
|
||
# Обрабатываем отели последовательно
|
||
success_count = 0
|
||
error_count = 0
|
||
|
||
for idx, hotel in enumerate(hotels, 1):
|
||
logger.info(f"\n[{idx}/{len(hotels)}] " + "="*50)
|
||
|
||
result = await crawl_hotel(hotel, logger)
|
||
|
||
if result:
|
||
success_count += 1
|
||
else:
|
||
error_count += 1
|
||
|
||
# Небольшая пауза между отелями
|
||
await asyncio.sleep(1)
|
||
|
||
# Финальная статистика
|
||
logger.info("\n" + "="*60)
|
||
logger.info(f"✅ КРАУЛИНГ ЗАВЕРШЁН")
|
||
logger.info(f"📊 Обработано: {success_count}/{len(hotels)}")
|
||
logger.info(f"❌ Ошибок: {error_count}")
|
||
logger.info("="*60)
|
||
|
||
if __name__ == "__main__":
|
||
if len(sys.argv) < 2:
|
||
print("Использование: python3 regional_crawler.py 'Название региона'")
|
||
print("Пример: python3 regional_crawler.py 'г. Москва'")
|
||
sys.exit(1)
|
||
|
||
region_name = sys.argv[1]
|
||
asyncio.run(main(region_name))
|
||
|