# DUBIZZLE Scraper

Парсер аукционных автомобилей с [dubizzle.com](https://www.dubizzle.com). Ходит по листингу, собирает карточки машин, вытаскивает данные из DOM и перехваченных XHR-ответов, складывает всё в PostgreSQL. Работает через Playwright, FastAPI, Celery и Docker.

## Как устроен сайт и его защита

У DUBIZZLE стоит **Imperva Incapsula** — внешний WAF и anti-bot.

- **Anti-bot** — headless Chromium без прокси часто режется.
- **Динамическая подгрузка** — часть данных приходит через XHR (`/Search`, `/VehicleDetail`), часть остаётся в HTML.
- **Cookie consent** — при первом заходе показывают баннер.

Поэтому в проекте используются Playwright, паузы между действиями, прокси и сохранение браузерного состояния.

## Локальный запуск (без Docker)

### Требования

- **Python 3.11+**
- **Git**

Docker **не нужен**. Данные хранятся в SQLite-файле `dubizzle_scraper.db` в корне проекта.

### Быстрый старт

```bash
git clone <repo-url>
cd dubizzle_scraper_project
pip install -e .
playwright install firefox
dubizzle init-db
```

`dubizzle init-db` актуален для SQLite/локального CLI-режима. Для PostgreSQL используйте Alembic-миграции (`alembic upgrade head` или сервис `migrate` в Docker).

Готовый `.env` уже в репозитории и настроен на SQLite  ничего менять не нужно.

### Запуск парсера

**Скрапинг одной машины:**

```bash
dubizzle sync-vehicle "https://www.dubizzle.com/VehicleDetail/45089484~US"
```

**Сбор листинга + скрапинг (например Toyota, 10 штук):**

```bash
dubizzle sync-listing --make Toyota --limit 10
```

**Только ссылки с листинга (без скрапинга):**

```bash
dubizzle collect-listing --make Toyota
```

**С видимым браузером (для отладки):**

```bash
dubizzle --headless false sync-vehicle "https://www.dubizzle.com/VehicleDetail/45089484~US"
```

**Проверка, что записалось в базу (`dubizzle_scraper.db`):**

```bash
python -c "import sqlite3; c=sqlite3.connect('dubizzle_scraper.db'); q=c.cursor(); print('cars:', q.execute('select count(*) from cars').fetchone()[0]); print('images:', q.execute('select count(*) from images').fetchone()[0]); rows=q.execute('select id, brand, model, year, origin_id from cars order by id desc limit 10').fetchall(); [print(r) for r in rows]"
```

Результаты сохраняются в `artifacts/json/` и в БД `dubizzle_scraper.db`.

### Полный стек (API + Worker + Beat)

Для API и автоматического сбора нужны **Redis** и **PostgreSQL**. В `.env` раскомментируй строки Redis/Celery и замени БД на PostgreSQL:

```env
DUBIZZLE_DATABASE_URL=postgresql+psycopg2://dubizzle:dubizzle@localhost:5432/dubizzle_scraper
DUBIZZLE_REDIS_URL=redis://localhost:6379/0
CELERY_BROKER_URL=redis://localhost:6379/0
CELERY_RESULT_BACKEND=redis://localhost:6379/0
```

Применить миграции и запустить в трёх терминалах:

```bash
alembic upgrade head

# Терминал 1 — API
uvicorn dubizzle_scraper.api.app:app --reload --port 8000

# Терминал 2 — Celery Worker
celery -A dubizzle_scraper.worker.celery_app worker --loglevel=info --concurrency=1 --pool=solo -Q scraping

# Терминал 3 — Celery Beat (периодический запуск)
celery -A dubizzle_scraper.worker.celery_app beat --loglevel=info
```

API: `http://localhost:8000` · Swagger: `http://localhost:8000/docs`

---

## Запуск через Docker (все сервисы в контейнерах)

```bash
cp .env.example .env
docker compose up -d
```

Будут запущены сервисы `postgres`, `redis`, `migrate`, `api`, `worker`, `beat`. API доступен на `http://localhost:8000`.

В Docker-образ дополнительно проверяется Python-синтаксис на этапе сборки (`python -m compileall -q dubizzle_scraper`), чтобы не выкатывать битый код.

`entrypoint.sh` поднимает SOCKS5→HTTP proxy bridge (если задан `SOCKS5_PROXY_HOST`) и запускает `Xvfb` только для `worker` и CLI scraping-команд.

По умолчанию `beat` запускает сбор листинга **раз в 1 час** (`CELERY_BEAT_SYNC_INTERVAL_MINUTES=60`).
В текущей конфигурации hourly-цикл делает **полный обход всех машин через Algolia с серверной сегментацией**:

- `DUBIZZLE_DISCOVERY_MODE=algolia`
- `DUBIZZLE_LISTING_SEGMENTS=auto`
- `DUBIZZLE_ALWAYS_FULL_SCAN=true`
- `CELERY_PARALLEL_SEGMENTS=true`

Это означает, что каждый beat-тик разбивает каталог на year-only сегменты и проходит их через Algolia, чтобы обойти лимит одного общего запроса и собрать весь каталог, а не только первые ~10k записей.

Swagger-документация: `http://localhost:8000/docs`

```bash
docker compose ps
```

- `api` имеет healthcheck на `GET /health`
- `worker` имеет healthcheck через `celery inspect ping`
- `beat` имеет healthcheck по файлу `celerybeat-schedule`

### Разовый сбор через Docker с сохранением результата на хосте

Для ручного прогона листинга через `Algolia` без запуска `beat` используй отдельный one-shot сервис `sync`:

```bash
docker compose up -d postgres redis migrate
docker compose run --rm --profile manual sync
```

По умолчанию сервис запускает:

```bash
dubizzle sync-listing --limit 100 --output /app/artifacts/json/docker_sync_listing.json
```

Результат будет доступен на хосте в `artifacts/json/docker_sync_listing.json`, потому что каталог `./artifacts` примонтирован в контейнеры.

Чтобы изменить лимит без редактирования `docker-compose.yml`, передай env:

```bash
docker compose run --rm --profile manual -e DUBIZZLE_SYNC_LISTING_LIMIT=500 sync
```

Для непрерывного режима оставь обычный стек:

```bash
docker compose up -d api worker beat
```

В текущей конфигурации Docker использует `DUBIZZLE_DISCOVERY_MODE=algolia`, поэтому worker и one-shot `sync` идут в `Algolia` первым путём, а браузерный fallback включается только при ошибке discovery.
Для полного hourly/full bootstrap охвата держи включёнными `DUBIZZLE_LISTING_SEGMENTS=auto`, `DUBIZZLE_ALWAYS_FULL_SCAN=true` и `CELERY_PARALLEL_SEGMENTS=true`.


## API

**Статистика:**
- `GET /health` — статус сервиса и подключения к БД
- `GET /api/v1/stats` — сколько машин и картинок в базе, топ брендов

**Машины:**
- `GET /api/v1/cars` — список с пагинацией
- `GET /api/v1/cars/{id}` — карточка с картинками
- `GET /api/v1/cars/by-origin/{origin_id}` — поиск по DUBIZZLE stock number

**Задачи:**
- `POST /api/v1/tasks/sync-vehicle` — скрапнуть одну машину по URL
- `POST /api/v1/tasks/sync-listing` — запустить полный обход листинга
- `GET /api/v1/sync-runs` — история запусков

Скрапим конкретную машину:

```bash
curl -X POST http://localhost:8000/api/v1/tasks/sync-vehicle \
  -H "Content-Type: application/json" \
  -d '{"vehicle_url": "https://www.dubizzle.com/VehicleDetail/45089484~US"}'
```

## CLI

Для отладки без API и Celery:

```bash
dubizzle init-db
dubizzle collect-listing --make Toyota
dubizzle sync-vehicle "https://www.dubizzle.com/VehicleDetail/45089484~US"
dubizzle sync-listing --limit 10
```

`dubizzle init-db` используйте для SQLite/локальных тестов. В PostgreSQL-сценарии применяйте миграции Alembic.

## Структура

```text
dubizzle_scraper/
  scraper.py              — оркестратор: связывает browser → parser → storage
  cli.py                  — CLI-команды (init-db, sync-vehicle, sync-listing, ...)
  proxy_bridge.py         — HTTP→SOCKS5 мост (Chromium не умеет SOCKS5 с авторизацией)

  browser/
    factory.py            — создание браузера, stealth-инъекции, fingerprint
    listing.py            — сбор ссылок на машины с листинга, пагинация
    network.py            — перехват XHR/fetch ответов через Playwright events
    pace.py               — рандомные паузы и движение мыши

  parsing/
    parser.py             — VehicleParser: DOM + XHR JSON + embedded JSON
    mapper.py             — CarMapper: нормализация → CarRecord

  storage/
    models.py             — SQLAlchemy: Car, Image, SyncRun
    schemas.py            — Pydantic: CarRecord, ImageRecord, CarRead
    enums.py              — допустимые значения (drive, gearbox, body_type, ...)
    db.py                 — PersistenceService: upsert, sync runs, статистика

  api/
    app.py                — FastAPI factory, lifespan, роутеры
    deps.py               — dependency injection (Settings, PersistenceService)
    routes/
      health.py           — GET /health
      cars.py             — CRUD по машинам + GET /stats
      tasks.py            — запуск Celery-задач и история sync-runs

  worker/
    celery_app.py         — конфиг Celery, beat-расписание
    tasks.py              — sync_vehicle_task, sync_listing_task

  core/
    config.py             — Settings (dataclass), env-переменные
    logs.py               — логирование с trace_id (ContextVar)
    retry.py              — декоратор @retryable с exponential backoff
    runtime_config.py     — чтение и нормализация runtime-конфига
    utils.py              — VIN_RE, deep_find_key, вспомогательные функции

alembic/                  — миграции БД
tests/                    — тесты
```

## Конфигурация

Всё через env-переменные (полный список в `.env.example`):

- **БД:** `DUBIZZLE_DATABASE_URL`, `DUBIZZLE_DATABASE_POOL_SIZE`
- **Redis:** `DUBIZZLE_REDIS_URL`
- **Celery:** `CELERY_BROKER_URL`, `CELERY_BEAT_SYNC_INTERVAL_MINUTES`
- **Скрапер:** `DUBIZZLE_HEADLESS`, `DUBIZZLE_SYNC_ONLY_NEW`, `DUBIZZLE_MAX_PAGES_PER_RUN`
- **Прокси:** `DUBIZZLE_PROXY_SERVER`, `DUBIZZLE_PROXY_USERNAME`, `DUBIZZLE_PROXY_PASSWORD`
- **Паузы:** `DUBIZZLE_BETWEEN_VEHICLES_MIN_S`, `DUBIZZLE_AFTER_PAGE_CHANGE_MAX_S` и т.д.

## Миграции

В Docker миграции выполняются отдельным сервисом `migrate` (`alembic upgrade head`).

`api`, `worker`, `beat` стартуют после успешного завершения `migrate`.

Вручную:

```bash
alembic upgrade head
alembic revision --autogenerate -m "add_column_x"
```

## Тесты

```bash
pytest -q
```

Тесты работают на SQLite in-memory, без внешних зависимостей.

## `pyproject.toml` + `uv.lock`

Локально можно использовать:

```bash
uv sync
uv run pytest -q
```

### Секция `sync`

Поддерживаются поля:

- `name`
- `ids_initial_size`
- `ids_next_size`
- `ids_max_pages`
- `condition_check_enabled`
- `lane`
- `only_new`
- `limit`

### Секция `filters`

Поддерживаются поля:

- `brands`
- `models`
- `years`
- `body_types`
- `colors`
- `drives`
- `gearboxes`
- `locations`
- `exclude_brands`
- `exclude_models`
- `exclude_years`
- `exclude_body_types`
- `exclude_colors`
- `exclude_drives`
- `exclude_gearboxes`
- `exclude_locations`
- `price.min`, `price.max`
- `mileage.min`, `mileage.max`
- `flags.damaged_only`, `flags.run_and_drive`

Пример:

```json
{
  "sync": {
    "name": null,
    "ids_initial_size": null,
    "ids_next_size": null,
    "ids_max_pages": null,
    "condition_check_enabled": false,
    "lane": "dubizzle_cars",
    "only_new": true,
    "limit": 50
  },
  "filters": {
    "price": {
      "min": null,
      "max": null
    },
    "mileage": {
      "min": null,
      "max": null
    },
    "flags": {
      "damaged_only": null,
      "run_and_drive": null
    },
    "brands": ["Toyota", "Honda"],
    "models": [],
    "years": [2021, 2022],
    "body_types": ["SUV"],
    "colors": [],
    "drives": [],
    "gearboxes": [],
    "locations": [],
    "exclude_brands": [],
    "exclude_models": [],
    "exclude_years": [],
    "exclude_body_types": []
  }
}
```

Путь задаётся через `DUBIZZLE_RUNTIME_CONFIG_FILE`, по умолчанию — `/app/runtime_config.json`.

CLI и API аргументы имеют приоритет, а `runtime_config.json` работает как runtime-default и расширяемый фильтр.