SPB Git

spb/immo-ka Public

Immo-Ka — agrégateur des propriétés à vendre au Québec (73 connecteurs, ~40 000 annonces, React+FastAPI)

Python 67.2% TypeScript 19.4% CSS 12.9% HTML 0.5%
7.6 KB · 177 lines python
Raw Blame History
1# -----------------------------------------------------------------------------2# Immo-Ka — Agrégateur de maisons à vendre (province de Québec)3# Auteur : Simon-Pierre Boucher — contact@spboucher.ai4# connectors/base.py : classe de base des connecteurs + backends de fetch5#                      (requests direct, ou Firecrawl pour les sites JavaScript)6# -----------------------------------------------------------------------------7from __future__ import annotations89import json10import os11import time1213import requests1415from ..schema import PropertyListing1617USER_AGENT = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "18              "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126 Safari/537.36 "19              "ImmoKaBot/1.0 (+https://www.immo-ka.com/bot; contact@spboucher.ai)")2021FIRECRAWL_API = "https://api.firecrawl.dev/v1/scrape"22SCRAPFLY_API = "https://api.scrapfly.io/scrape"232425class BaseConnector:26    """Un connecteur = un adaptateur propre à un site d'agence de courtage.2728    Sous-classes : définir `source_id` et implémenter `fetch()` qui retourne29    la liste complète des propriétés actuellement affichées sur le site.30    Le pipeline (ingest.py) s'occupe du diff avec la base de données.31    """3233    source_id: str = ""34    request_delay: float = 0.6           # politesse entre requêtes35    timeout: int = 3036    use_detail_cache: bool = True        # cache BD des pages détail3738    def __init__(self) -> None:39        self.session = requests.Session()40        self.session.headers["User-Agent"] = USER_AGENT41        self._last_request = 0.042        self._detail_con = None4344    # -- backends -------------------------------------------------------------45    def get(self, url: str, **kw) -> requests.Response:46        """GET direct avec throttling poli."""47        wait = self.request_delay - (time.time() - self._last_request)48        if wait > 0:49            time.sleep(wait)50        resp = self.session.get(url, timeout=self.timeout, **kw)51        self._last_request = time.time()52        resp.raise_for_status()53        return resp5455    def post(self, url: str, **kw) -> requests.Response:56        """POST direct avec throttling poli (APIs de recherche internes)."""57        wait = self.request_delay - (time.time() - self._last_request)58        if wait > 0:59            time.sleep(wait)60        resp = self.session.post(url, timeout=self.timeout, **kw)61        self._last_request = time.time()62        resp.raise_for_status()63        return resp6465    def get_rendered(self, url: str, wait_for: int = 0,66                     proxy: str | None = None) -> str:67        """Récupère le HTML rendu (JavaScript exécuté) via Firecrawl.6869        Nécessite FIRECRAWL_API_KEY dans l'environnement (.env).70        À utiliser pour les sites SPA ou derrière Cloudflare.71        `proxy="stealth"` franchit les challenges anti-bot (Cloudflare, etc.).72        """73        key = os.environ.get("FIRECRAWL_API_KEY")74        if not key:75            raise RuntimeError("FIRECRAWL_API_KEY manquant (voir .env)")76        payload: dict = {"url": url, "formats": ["html"], "timeout": 90000}77        if wait_for:78            payload["waitFor"] = wait_for79        if proxy:80            payload["proxy"] = proxy81        resp = requests.post(82            FIRECRAWL_API,83            json=payload,84            headers={"Authorization": f"Bearer {key}"},85            timeout=150,86        )87        resp.raise_for_status()88        data = resp.json()89        return (data.get("data") or {}).get("html", "")9091    def scrapfly(self, url: str, render_js: bool = True, asp: bool = True,92                 rendering_wait: int = 0, country: str = "ca",93                 wait_for_selector: str | None = None,94                 js_scenario: list | str | None = None,95                 proxy_pool: str | None = None, headers: dict | None = None,96                 method: str = "GET", body: str | None = None) -> dict:97        """Appel Scrapfly complet — retourne le dict `result` (content, status_code…).9899        - `js_scenario` : liste d'étapes [{"scroll_y":…},{"wait":…}] (encodée base64)100          pour charger les listes virtualisées (BoldTrail/kvCORE, etc.).101        - `proxy_pool` : ex. "public_residential_pool" (WAF/anti-bot agressif).102        - `headers`/`method`/`body` : pour REJOUER une API JSON interne via ASP.103        """104        import base64105        key = os.environ.get("SCRAPFLY_KEY")106        if not key:107            raise RuntimeError("SCRAPFLY_KEY manquant (voir .env)")108        params: dict = {"key": key, "url": url, "country": country}109        if asp:110            params["asp"] = "true"111        if render_js:112            params["render_js"] = "true"113        if rendering_wait:114            params["rendering_wait"] = rendering_wait115        if wait_for_selector:116            params["wait_for_selector"] = wait_for_selector117        if proxy_pool:118            params["proxy_pool"] = proxy_pool119        if js_scenario is not None:120            js = js_scenario if isinstance(js_scenario, str) else json.dumps(js_scenario)121            params["js_scenario"] = base64.urlsafe_b64encode(js.encode()).decode()122        if headers:123            for k, v in headers.items():124                params[f"headers[{k}]"] = v125        wait = self.request_delay - (time.time() - self._last_request)126        if wait > 0:127            time.sleep(wait)128        if method.upper() == "POST":129            resp = requests.post(SCRAPFLY_API, params=params,130                                 data=(body or ""), timeout=180)131        else:132            resp = requests.get(SCRAPFLY_API, params=params, timeout=180)133        self._last_request = time.time()134        try:135            return resp.json().get("result") or {}136        except ValueError:137            return {}138139    def get_scrapfly(self, url: str, render_js: bool = True, asp: bool = True,140                     rendering_wait: int = 0, country: str = "ca",141                     wait_for_selector: str | None = None,142                     js_scenario: list | str | None = None,143                     proxy_pool: str | None = None) -> str:144        """HTML rendu via Scrapfly (ASP = bypass anti-bot + rendu JS). Retourne145        le HTML (result.content) ou "" en cas d'échec ASP."""146        return self.scrapfly(url, render_js=render_js, asp=asp,147                             rendering_wait=rendering_wait, country=country,148                             wait_for_selector=wait_for_selector,149                             js_scenario=js_scenario, proxy_pool=proxy_pool150                             ).get("content") or ""151152    def detail(self, external_id: str, key: str, fetch_fn) -> dict:153        """Payload « page détail » avec cache : `fetch_fn` n'est appelé que si154        la propriété est nouvelle ou si sa clé (hash du contenu liste) a changé.155156        Permet d'extraire les champs riches (description, courtier, photos…)157        sans revisiter chaque page détail à chaque synchronisation.158        `fetch_fn` doit retourner un dict JSON-sérialisable.159        """160        if not self.use_detail_cache:161            return fetch_fn() or {}162        from .. import db163        if self._detail_con is None:164            self._detail_con = db.connect()165        cached = db.get_cached_detail(self._detail_con, self.source_id,166                                      str(external_id), key)167        if cached is not None:168            return cached169        payload = fetch_fn() or {}170        db.put_cached_detail(self._detail_con, self.source_id,171                             str(external_id), key, payload)172        return payload173174    # -- contrat --------------------------------------------------------------175    def fetch(self) -> list[PropertyListing]:176        raise NotImplementedError177