370 lines
14 KiB
Markdown
370 lines
14 KiB
Markdown
# IAAI Scraper
|
||
|
||
Парсер аукционных автомобилей с [iaai.com](https://www.iaai.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 IAAI 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 `iaai_scraper.db` в корне проекта.
|
||
|
||
### Быстрый старт
|
||
|
||
```bash
|
||
git clone <repo-url>
|
||
cd iaai_scraper_project
|
||
pip install -e .
|
||
playwright install firefox
|
||
iaai init-db
|
||
```
|
||
|
||
`iaai 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
|
||
iaai sync-vehicle "https://www.iaai.com/VehicleDetail/45089484~US"
|
||
```
|
||
|
||
**Сбор листинга + скрапинг (например Toyota, 10 штук):**
|
||
|
||
```bash
|
||
iaai sync-listing --make Toyota --limit 10
|
||
```
|
||
|
||
**Только ссылки с листинга (без скрапинга):**
|
||
|
||
```bash
|
||
iaai collect-listing --make Toyota
|
||
```
|
||
|
||
**С видимым браузером (для отладки):**
|
||
|
||
```bash
|
||
iaai --headless false sync-vehicle "https://www.iaai.com/VehicleDetail/45089484~US"
|
||
```
|
||
|
||
**Проверка, что записалось в базу (`iaai_scraper.db`):**
|
||
|
||
```bash
|
||
python -c "import sqlite3; c=sqlite3.connect('iaai_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 `iaai_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
|
||
IAAI_DATABASE_URL=postgresql+psycopg2://iaai:iaai@localhost:5432/iaai_scraper
|
||
IAAI_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 iaai_scraper.api.app:app --reload --port 8000
|
||
|
||
# Терминал 2 — Celery Worker
|
||
celery -A iaai_scraper.worker.celery_app worker --loglevel=info --concurrency=1 --pool=solo -Q scraping
|
||
|
||
# Терминал 3 — Celery Beat (периодический запуск)
|
||
celery -A iaai_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 iaai_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 синхронизацию **раз в 1 час** (`CELERY_BEAT_SYNC_INTERVAL_MINUTES=60`).
|
||
|
||
Текущая стратегия устойчива к багам пагинации IAAI:
|
||
|
||
- **первый запуск** делает полный bootstrap через `sitemap`;
|
||
- если bootstrap не завершился, автоматически продолжается с чекпоинта;
|
||
- **после первого полного прохода** каждый час выполняется проход по `sitemap`.
|
||
По умолчанию включён режим **rolling refresh**:
|
||
- берутся все URL из sitemap,
|
||
- новые URL добавляются сразу,
|
||
- исчезнувшие URL помечаются как `is_sold=true`,
|
||
- уже записанные авто обновляются **батчами по кругу**, а не все разом.
|
||
|
||
Это даёт более стабильную нагрузку и снижает риск не уложиться в час.
|
||
|
||
Доступные режимы:
|
||
- `IAAI_HOURLY_MODE=rolling_refresh` — рекомендуемый продовый режим;
|
||
- `IAAI_HOURLY_MODE=full_refresh` — перепарсить все активные авто за один hourly цикл;
|
||
- `IAAI_HOURLY_MODE=diff` — только новые авто + sold.
|
||
|
||
За счёт этого система:
|
||
|
||
- не зависит от page 39 / 70 / 100,
|
||
- не уходит в бесконечный цикл пагинации,
|
||
- даёт стабильный hourly refresh уже записанных авто без монолитного полного hourly прохода,
|
||
- остаётся быстрой и устойчивой при hourly sync.
|
||
|
||
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`
|
||
|
||
## API
|
||
|
||
**Здоровье и 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 IAAI 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.iaai.com/VehicleDetail/45089484~US"}'
|
||
```
|
||
|
||
## CLI
|
||
|
||
Для отладки без API и Celery:
|
||
|
||
```bash
|
||
iaai init-db
|
||
iaai collect-listing --make Toyota
|
||
iaai sync-vehicle "https://www.iaai.com/VehicleDetail/45089484~US"
|
||
iaai sync-listing --limit 10
|
||
```
|
||
|
||
`iaai init-db` используйте для SQLite/локальных тестов. В PostgreSQL-сценарии применяйте миграции Alembic.
|
||
|
||
## Структура
|
||
|
||
```text
|
||
iaai_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:** `IAAI_DATABASE_URL`, `IAAI_DATABASE_POOL_SIZE`
|
||
- **Redis:** `IAAI_REDIS_URL`
|
||
- **Celery:** `CELERY_BROKER_URL`, `CELERY_BEAT_SYNC_INTERVAL_MINUTES`
|
||
- **Скрапер:** `IAAI_HEADLESS`, `IAAI_SYNC_ONLY_NEW`, `IAAI_MAX_PAGES_PER_RUN`
|
||
- **Прокси:** `IAAI_PROXY_SERVER`, `IAAI_PROXY_USERNAME`, `IAAI_PROXY_PASSWORD`
|
||
- **Паузы:** `IAAI_BETWEEN_VEHICLES_MIN_S`, `IAAI_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`
|
||
|
||
Проект переведён на современную схему зависимостей:
|
||
|
||
- `pyproject.toml` — декларация зависимостей и метаданных проекта
|
||
- `uv.lock` — зафиксированные версии для воспроизводимых установок
|
||
|
||
Локально можно использовать:
|
||
|
||
```bash
|
||
uv sync
|
||
uv run pytest -q
|
||
```
|
||
|
||
## Runtime-фильтры
|
||
|
||
Файл `runtime_config.json` управляет runtime-поведением sync и фильтрацией автомобилей.
|
||
|
||
### 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": "iaai_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 `IAAI_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.
|
||
|