spb/immo-ka

1# =============================================================================2# Groupe KA — connecteurs : chaîne de fetch anti-bot RÉSILIENTE (commune)3# Auteur : Simon-Pierre Boucher <contact@spboucher.ai>4# Fichier : connectors/_resilient.py5# -----------------------------------------------------------------------------6# But : rendre les connecteurs durables dans le temps. Quand un site jusque-là7# ouvert déploie un anti-bot (Cloudflare / Akamai / Incapsula / PerimeterX) ou8# renvoie 403/429/503, la requête directe N'ÉCHOUE PLUS silencieusement : elle9# ESCALADE automatiquement à travers une chaîne de secours :10#11#   1. Direct            — la session du connecteur (curl_cffi impersonate si12#                          dispo, sinon requests) : rapide et gratuit.13#   2. Oxylabs (résid.)  — proxy résidentiel Canada (-cc-CA) : IP propre.14#   3. Scrapfly (ASP)    — bypass anti-bot géré + rendu JS optionnel.15#   4. Bright Data       — Web Unlocker : déblocage premium, dernier recours.16#17# Le premier backend qui renvoie un 200 non vide gagne. Si TOUS échouent, on18# renvoie la dernière réponse (avec son code d'erreur) pour que le connecteur19# journalise l'échec comme avant — aucun changement de comportement en cas20# d'échec total, aucun blocage silencieux.21#22# Conception :23#   - Aucun effet de bord à l'import ; toute brique non configurée est sautée.24#   - Les clés sont lues de os.environ, avec repli sur le .env de l'app puis25#     ~/.claude/.env, et acceptent les deux noms Scrapfly (SCRAPFLY_KEY /26#     SCRAPFLY_API_KEY). => aucune modif de .env nécessaire.27#   - `_ResilientResponse` imite requests.Response (.text/.content/.status_code/28#     .url/.headers/.json()/.ok/.raise_for_status()) : les connecteurs existants29#     continuent de fonctionner sans modification.30#   - Coupe-circuit par hôte : après plusieurs escalades totalement infructueuses31#     sur un même hôte, on saute l'escalade payante pendant un temps de repos32#     (évite de brûler du quota Scrapfly/Bright Data sur une source morte).33# =============================================================================34from __future__ import annotations3536import json as _json37import os38import time39from pathlib import Path40from urllib.parse import quote, urlsplit4142import requests4344# -- curl_cffi est OPTIONNEL (meilleur fingerprint TLS s'il est présent) ------45try:  # pragma: no cover46    from curl_cffi import requests as _cffi  # type: ignore47    _HAS_CFFI = True48except Exception:  # noqa: BLE00149    _cffi = None50    _HAS_CFFI = False5152# Codes HTTP typiques d'un blocage anti-bot (≠ 401/404/410/500 « métier » :53# 401 = auth manquante, 403/429 = bot bloqué, 5xx CF = challenge/edge).54BLOCK_STATUS = {403, 429, 503, 520, 521, 522, 523, 524, 526, 1020}5556# Marqueurs de page-challenge (Cloudflare/Akamai/Incapsula/PerimeterX/DataDome).57_CHALLENGE_MARKERS = (58    "just a moment", "cf-browser-verification", "cf-challenge",59    "attention required", "access denied", "request unsuccessful",60    "px-captcha", "perimeterx", "incapsula", "_incapsula_", "datadome",61    "captcha-delivery", "please enable javascript and cookies",62    "checking your browser", "ddos protection by",63    # SiteGround : challenge JS servi en HTTP 202 (meta-refresh vers64    # /.well-known/sgcaptcha/ puis page « Robot Challenge Screen »)65    "sgcaptcha", "robot challenge screen",66)6768_UA = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 "69       "(KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36")7071# Coupe-circuit en mémoire : hôte -> (timestamp_jusquà, échecs_consécutifs)72_COOLDOWN: dict[str, tuple[float, int]] = {}73_COOLDOWN_HITS = 3           # nb d'échecs totaux avant repos74_COOLDOWN_SECONDS = 900.0    # 15 min de repos pour un hôte « mort »7576# -- chargement paresseux des secrets ----------------------------------------77_ENV_CACHE: dict[str, str] | None = None787980def _load_env_files() -> dict[str, str]:81    """Parse les .env candidats une seule fois (repli si os.environ vide)."""82    global _ENV_CACHE83    if _ENV_CACHE is not None:84        return _ENV_CACHE85    out: dict[str, str] = {}86    candidates = []87    # .env de l'app (remonte quelques niveaux depuis ce module)88    here = Path(__file__).resolve()89    for up in range(2, 6):90        try:91            candidates.append(here.parents[up] / ".env")92        except IndexError:93            break94    candidates.append(Path.home() / ".claude" / ".env")95    for path in candidates:96        try:97            if not path.is_file():98                continue99            for line in path.read_text(encoding="utf-8", errors="ignore").splitlines():100                line = line.strip()101                if not line or line.startswith("#") or "=" not in line:102                    continue103                k, _, v = line.partition("=")104                k, v = k.strip(), v.strip().strip('"').strip("'")105                # ne pas écraser une valeur déjà trouvée (priorité app > global)106                if k and k not in out:107                    out[k] = v108        except Exception:  # noqa: BLE001109            continue110    _ENV_CACHE = out111    return out112113114def _secret(*names: str) -> str | None:115    """Cherche une clé dans os.environ puis dans les .env (par ordre de noms)."""116    for n in names:117        v = os.environ.get(n)118        if v:119            return v120    env = _load_env_files()121    for n in names:122        v = env.get(n)123        if v:124            return v125    return None126127128# -- réponse compatible requests.Response ------------------------------------129class _ResilientResponse:130    """Imite le minimum utile d'une requests.Response pour les connecteurs."""131132    def __init__(self, url: str, status_code: int, text: str,133                 headers: dict | None = None, via: str = "direct") -> None:134        self.url = url135        self.status_code = int(status_code or 0)136        self._text = text or ""137        self.headers = headers or {}138        self.encoding = "utf-8"139        self.via = via  # backend gagnant (diagnostic)140141    @property142    def text(self) -> str:143        return self._text144145    @property146    def content(self) -> bytes:147        return self._text.encode("utf-8", errors="ignore")148149    @property150    def ok(self) -> bool:151        return 200 <= self.status_code < 400152153    def json(self, **kw):154        return _json.loads(self._text)155156    def raise_for_status(self):157        if 400 <= self.status_code < 600:158            raise requests.HTTPError(159                f"{self.status_code} via {self.via} pour {self.url}",160                response=self)  # type: ignore[arg-type]161        return None162163    def __repr__(self) -> str:  # pragma: no cover164        return f"<_ResilientResponse [{self.status_code}] via {self.via}>"165166167# -- détection de blocage -----------------------------------------------------168def is_blocked(resp) -> bool:169    """True si la réponse ressemble à un blocage anti-bot (≠ erreur métier)."""170    if resp is None:171        return True172    code = getattr(resp, "status_code", 0) or 0173    if code in BLOCK_STATUS:174        return True175    # 200 (ou 202 SiteGround) mais page-challenge servie176    if code in (200, 202):177        try:178            body = (resp.text or "")[:4000].lower()179        except Exception:  # noqa: BLE001180            return False181        server = str(resp.headers.get("Server", "")).lower() if getattr(resp, "headers", None) else ""182        if any(m in body for m in _CHALLENGE_MARKERS):183            return True184        if "cloudflare" in server and ("captcha" in body or "challenge" in body):185            return True186    return False187188189def _host(url: str) -> str:190    try:191        return urlsplit(url).netloc.lower()192    except Exception:  # noqa: BLE001193        return url194195196def _cooling(host: str) -> bool:197    until, _ = _COOLDOWN.get(host, (0.0, 0))198    return time.time() < until199200201def _note_failure(host: str) -> None:202    until, hits = _COOLDOWN.get(host, (0.0, 0))203    hits += 1204    if hits >= _COOLDOWN_HITS:205        _COOLDOWN[host] = (time.time() + _COOLDOWN_SECONDS, 0)206    else:207        _COOLDOWN[host] = (until, hits)208209210def _note_success(host: str) -> None:211    _COOLDOWN.pop(host, None)212213214# -- backends d'escalade ------------------------------------------------------215def _try_oxylabs(url: str, timeout: int, country: str,216                 headers: dict | None) -> _ResilientResponse | None:217    endpoint = _secret("OXYLABS_PROXY")            # pr.oxylabs.io:7777218    user = _secret("OXYLABS_PROXY_USER")           # customer-...  (sans -cc-XX)219    pwd = _secret("OXYLABS_PROXY_PASS")220    if not (endpoint and user and pwd):221        return None222    cc = (country or "ca").upper()223    puser = f"{user}-cc-{cc}"224    proxy = f"http://{quote(puser, safe='')}:{quote(pwd, safe='')}@{endpoint}"225    proxies = {"http": proxy, "https": proxy}226    hdrs = {"User-Agent": _UA}227    if headers:228        hdrs.update(headers)229    try:230        r = requests.get(url, proxies=proxies, headers=hdrs, timeout=timeout,231                         verify=False)  # noqa: S501 (proxy MITM du CA Oxylabs)232        return _ResilientResponse(url, r.status_code, r.text,233                                  dict(r.headers), via="oxylabs")234    except Exception:  # noqa: BLE001235        return None236237238def _try_scrapfly(url: str, timeout: int, country: str, render_js: bool,239                  headers: dict | None) -> _ResilientResponse | None:240    key = _secret("SCRAPFLY_KEY", "SCRAPFLY_API_KEY")241    if not key:242        return None243    params = {"key": key, "url": url, "country": country or "ca",244              "asp": "true", "proxy_pool": "public_residential_pool"}245    if render_js:246        params["render_js"] = "true"247    if headers:248        for k, v in headers.items():249            params[f"headers[{k}]"] = v250    try:251        r = requests.get("https://api.scrapfly.io/scrape", params=params,252                         timeout=max(timeout, 180))253        result = (r.json() or {}).get("result") or {}254        return _ResilientResponse(255            url, result.get("status_code") or 0, result.get("content") or "",256            (result.get("response_headers") or {}), via="scrapfly")257    except Exception:  # noqa: BLE001258        return None259260261def _try_brightdata(url: str, timeout: int,262                    headers: dict | None) -> _ResilientResponse | None:263    key = _secret("BRIGHTDATA_API_KEY")264    zone = _secret("BRIGHTDATA_ZONE") or "web_unlocker1"265    if not key:266        return None267    try:268        r = requests.post(269            "https://api.brightdata.com/request",270            headers={"Authorization": f"Bearer {key}",271                     "Content-Type": "application/json"},272            json={"zone": zone, "url": url, "format": "raw"},273            timeout=max(timeout, 120))274        return _ResilientResponse(url, r.status_code, r.text,275                                  dict(r.headers), via="brightdata")276    except Exception:  # noqa: BLE001277        return None278279280# -- API publique -------------------------------------------------------------281def escalate(url: str, *, timeout: int = 30, country: str = "ca",282             render_js: bool = False, headers: dict | None = None,283             original=None):284    """Tente la chaîne de secours et renvoie la meilleure réponse.285286    Renvoie un `_ResilientResponse` 200 dès qu'un backend réussit ; sinon la287    dernière réponse tentée (ou `original`) pour préserver le comportement288    d'échec du connecteur. Respecte le coupe-circuit par hôte.289    """290    host = _host(url)291    if _cooling(host):292        return original  # source au repos : on ne brûle pas de quota payant293294    last = original295    for backend in (296        lambda: _try_oxylabs(url, timeout, country, headers),297        lambda: _try_scrapfly(url, timeout, country, render_js, headers),298        lambda: _try_brightdata(url, timeout, headers),299    ):300        resp = backend()301        if resp is None:302            continue303        last = resp304        if resp.status_code == 200 and resp.text and not is_blocked(resp):305            _note_success(host)306            return resp307        time.sleep(0.4)308309    _note_failure(host)310    return last if last is not None else original311312313def escalate_if_blocked(resp, url: str, *, timeout: int = 30,314                        country: str = "ca", render_js: bool = False,315                        headers: dict | None = None):316    """Renvoie `resp` s'il est bon ; sinon lance l'escalade anti-bot."""317    if not is_blocked(resp):318        return resp319    better = escalate(url, timeout=timeout, country=country,320                      render_js=render_js, headers=headers, original=resp)321    return better if better is not None else resp322