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
269 lines
10 KiB
Python
269 lines
10 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
Создание hotel_website_processed для Санкт-Петербурга
|
||
ЭТАП 1: Очистка HTML через регулярки + многопоточность (как в Ореле/Чукотке)
|
||
"""
|
||
|
||
import psycopg2
|
||
import psycopg2.extras
|
||
import logging
|
||
import re
|
||
import html as html_module
|
||
from concurrent.futures import ThreadPoolExecutor, as_completed
|
||
import time
|
||
from typing import Dict, List, Any
|
||
from urllib.parse import unquote
|
||
|
||
# Настройка логирования
|
||
logging.basicConfig(
|
||
level=logging.INFO,
|
||
format='%(asctime)s - %(levelname)s - %(message)s',
|
||
handlers=[
|
||
logging.FileHandler('spb_processed_regex.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')
|
||
}
|
||
|
||
# Многопоточность
|
||
MAX_WORKERS = 10 # Количество потоков для обработки (как в Ореле)
|
||
|
||
class SpbProcessor:
|
||
def __init__(self):
|
||
self.conn = None
|
||
self.cur = None
|
||
|
||
def connect_db(self):
|
||
"""Подключение к БД"""
|
||
try:
|
||
self.conn = psycopg2.connect(**DB_CONFIG)
|
||
self.cur = self.conn.cursor(cursor_factory=psycopg2.extras.RealDictCursor)
|
||
logger.info("✅ Подключение к БД установлено")
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка подключения к БД: {e}")
|
||
raise
|
||
|
||
def close_db(self):
|
||
"""Закрытие соединения с БД"""
|
||
if self.cur:
|
||
self.cur.close()
|
||
if self.conn:
|
||
self.conn.close()
|
||
logger.info("🔌 Соединение с БД закрыто")
|
||
|
||
def clean_html_with_regex(self, html: str) -> str:
|
||
"""Очистка HTML через регулярки (как в Ореле)"""
|
||
if not html:
|
||
return ""
|
||
|
||
try:
|
||
# Удаляем script и style теги
|
||
text = re.sub(r'<script[^>]*>.*?</script>', ' ', html, flags=re.DOTALL | re.IGNORECASE)
|
||
text = re.sub(r'<style[^>]*>.*?</style>', ' ', text, flags=re.DOTALL | re.IGNORECASE)
|
||
|
||
# Удаляем все HTML теги
|
||
text = re.sub(r'<[^>]+>', ' ', text)
|
||
|
||
# Декодируем HTML entities
|
||
text = html_module.unescape(text)
|
||
|
||
# Убираем лишние пробелы и переносы строк
|
||
text = re.sub(r'\s+', ' ', text).strip()
|
||
|
||
return text
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Ошибка очистки HTML: {e}")
|
||
return ""
|
||
|
||
def process_page(self, page_data: Dict[str, Any]) -> Dict[str, Any]:
|
||
"""Обработка одной страницы"""
|
||
try:
|
||
page_id = page_data['id']
|
||
url = page_data['url']
|
||
html = page_data['html']
|
||
hotel_id = page_data['hotel_id']
|
||
|
||
# Очищаем HTML
|
||
cleaned_text = self.clean_html_with_regex(html)
|
||
|
||
if len(cleaned_text) < 100:
|
||
return {
|
||
'success': False,
|
||
'page_id': page_id,
|
||
'error': 'Слишком короткий текст',
|
||
'hotel_id': hotel_id,
|
||
'url': url
|
||
}
|
||
|
||
return {
|
||
'success': True,
|
||
'page_id': page_id,
|
||
'hotel_id': hotel_id,
|
||
'url': url,
|
||
'cleaned_text': cleaned_text,
|
||
'length': len(cleaned_text)
|
||
}
|
||
|
||
except Exception as e:
|
||
return {
|
||
'success': False,
|
||
'page_id': page_data.get('id', 'unknown'),
|
||
'error': str(e),
|
||
'hotel_id': page_data.get('hotel_id', 'unknown'),
|
||
'url': page_data.get('url', 'unknown')
|
||
}
|
||
|
||
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_hotels_to_process(self) -> List[str]:
|
||
"""Получаем список отелей для обработки"""
|
||
try:
|
||
# Получаем отели из СПб, у которых есть HTML но нет обработанного текста
|
||
self.cur.execute("""
|
||
SELECT DISTINCT hwr.hotel_id
|
||
FROM hotel_website_raw hwr
|
||
LEFT JOIN hotel_website_processed hwp ON hwr.hotel_id = hwp.hotel_id
|
||
WHERE hwr.hotel_id::text LIKE 'spb_%'
|
||
AND hwr.html IS NOT NULL
|
||
AND hwp.hotel_id IS NULL
|
||
ORDER BY hwr.hotel_id
|
||
""")
|
||
|
||
hotels = [row['hotel_id'] for row in 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 run(self):
|
||
"""Основной процесс обработки"""
|
||
try:
|
||
logger.info("🚀 Запуск обработки СПб через регулярки + многопоточность")
|
||
|
||
# Подключаемся к БД
|
||
self.connect_db()
|
||
|
||
# Получаем список отелей
|
||
hotels = self.get_hotels_to_process()
|
||
if not hotels:
|
||
logger.info("✅ Нет отелей для обработки")
|
||
return
|
||
|
||
total_hotels = len(hotels)
|
||
processed_hotels = 0
|
||
total_pages = 0
|
||
|
||
logger.info(f"📊 Начинаем обработку {total_hotels} отелей")
|
||
|
||
# Обрабатываем каждый отель
|
||
for i, hotel_id in enumerate(hotels, 1):
|
||
logger.info(f"🏨 [{i}/{total_hotels}] Обработка отеля: {hotel_id}")
|
||
|
||
pages_count = self.process_hotel_pages(hotel_id)
|
||
total_pages += pages_count
|
||
processed_hotels += 1
|
||
|
||
# Коммитим каждые 10 отелей
|
||
if processed_hotels % 10 == 0:
|
||
self.conn.commit()
|
||
logger.info(f"💾 Сохранено {processed_hotels} отелей, {total_pages} страниц")
|
||
|
||
# Небольшая пауза между отелями
|
||
time.sleep(0.1)
|
||
|
||
# Финальный коммит
|
||
self.conn.commit()
|
||
|
||
logger.info(f"🎉 Обработка завершена!")
|
||
logger.info(f"📊 Статистика:")
|
||
logger.info(f" - Обработано отелей: {processed_hotels}/{total_hotels}")
|
||
logger.info(f" - Обработано страниц: {total_pages}")
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ Критическая ошибка: {e}")
|
||
if self.conn:
|
||
self.conn.rollback()
|
||
finally:
|
||
self.close_db()
|
||
|
||
def main():
|
||
"""Главная функция"""
|
||
processor = SpbProcessor()
|
||
processor.run()
|
||
|
||
if __name__ == "__main__":
|
||
main()
|