spb/lou-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)6465_UA = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 "66       "(KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36")6768# Coupe-circuit en mémoire : hôte -> (timestamp_jusquà, échecs_consécutifs)69_COOLDOWN: dict[str, tuple[float, int]] = {}70_COOLDOWN_HITS = 3           # nb d'échecs totaux avant repos71_COOLDOWN_SECONDS = 900.0    # 15 min de repos pour un hôte « mort »7273# -- chargement paresseux des secrets ----------------------------------------74_ENV_CACHE: dict[str, str] | None = None757677def _load_env_files() -> dict[str, str]:78    """Parse les .env candidats une seule fois (repli si os.environ vide)."""79    global _ENV_CACHE80    if _ENV_CACHE is not None:81        return _ENV_CACHE82    out: dict[str, str] = {}83    candidates = []84    # .env de l'app (remonte quelques niveaux depuis ce module)85    here = Path(__file__).resolve()86    for up in range(2, 6):87        try:88            candidates.append(here.parents[up] / ".env")89        except IndexError:90            break91    candidates.append(Path.home() / ".claude" / ".env")92    for path in candidates:93        try:94            if not path.is_file():95                continue96            for line in path.read_text(encoding="utf-8", errors="ignore").splitlines():97                line = line.strip()98                if not line or line.startswith("#") or "=" not in line:99                    continue100                k, _, v = line.partition("=")101                k, v = k.strip(), v.strip().strip('"').strip("'")102                # ne pas écraser une valeur déjà trouvée (priorité app > global)103                if k and k not in out:104                    out[k] = v105        except Exception:  # noqa: BLE001106            continue107    _ENV_CACHE = out108    return out109110111def _secret(*names: str) -> str | None:112    """Cherche une clé dans os.environ puis dans les .env (par ordre de noms)."""113    for n in names:114        v = os.environ.get(n)115        if v:116            return v117    env = _load_env_files()118    for n in names:119        v = env.get(n)120        if v:121            return v122    return None123124125# -- réponse compatible requests.Response ------------------------------------126class _ResilientResponse:127    """Imite le minimum utile d'une requests.Response pour les connecteurs."""128129    def __init__(self, url: str, status_code: int, text: str,130                 headers: dict | None = None, via: str = "direct") -> None:131        self.url = url132        self.status_code = int(status_code or 0)133        self._text = text or ""134        self.headers = headers or {}135        self.encoding = "utf-8"136        self.via = via  # backend gagnant (diagnostic)137138    @property139    def text(self) -> str:140        return self._text141142    @property143    def content(self) -> bytes:144        return self._text.encode("utf-8", errors="ignore")145146    @property147    def ok(self) -> bool:148        return 200 <= self.status_code < 400149150    def json(self, **kw):151        return _json.loads(self._text)152153    def raise_for_status(self):154        if 400 <= self.status_code < 600:155            raise requests.HTTPError(156                f"{self.status_code} via {self.via} pour {self.url}",157                response=self)  # type: ignore[arg-type]158        return None159160    def __repr__(self) -> str:  # pragma: no cover161        return f"<_ResilientResponse [{self.status_code}] via {self.via}>"162163164# -- détection de blocage -----------------------------------------------------165def is_blocked(resp) -> bool:166    """True si la réponse ressemble à un blocage anti-bot (≠ erreur métier)."""167    if resp is None:168        return True169    code = getattr(resp, "status_code", 0) or 0170    if code in BLOCK_STATUS:171        return True172    # 200 mais page-challenge servie173    if code == 200:174        try:175            body = (resp.text or "")[:4000].lower()176        except Exception:  # noqa: BLE001177            return False178        server = str(resp.headers.get("Server", "")).lower() if getattr(resp, "headers", None) else ""179        if any(m in body for m in _CHALLENGE_MARKERS):180            return True181        if "cloudflare" in server and ("captcha" in body or "challenge" in body):182            return True183    return False184185186def _host(url: str) -> str:187    try:188        return urlsplit(url).netloc.lower()189    except Exception:  # noqa: BLE001190        return url191192193def _cooling(host: str) -> bool:194    until, _ = _COOLDOWN.get(host, (0.0, 0))195    return time.time() < until196197198def _note_failure(host: str) -> None:199    until, hits = _COOLDOWN.get(host, (0.0, 0))200    hits += 1201    if hits >= _COOLDOWN_HITS:202        _COOLDOWN[host] = (time.time() + _COOLDOWN_SECONDS, 0)203    else:204        _COOLDOWN[host] = (until, hits)205206207def _note_success(host: str) -> None:208    _COOLDOWN.pop(host, None)209210211# -- backends d'escalade ------------------------------------------------------212def _try_oxylabs(url: str, timeout: int, country: str,213                 headers: dict | None) -> _ResilientResponse | None:214    endpoint = _secret("OXYLABS_PROXY")            # pr.oxylabs.io:7777215    user = _secret("OXYLABS_PROXY_USER")           # customer-...  (sans -cc-XX)216    pwd = _secret("OXYLABS_PROXY_PASS")217    if not (endpoint and user and pwd):218        return None219    cc = (country or "ca").upper()220    puser = f"{user}-cc-{cc}"221    proxy = f"http://{quote(puser, safe='')}:{quote(pwd, safe='')}@{endpoint}"222    proxies = {"http": proxy, "https": proxy}223    hdrs = {"User-Agent": _UA}224    if headers:225        hdrs.update(headers)226    try:227        r = requests.get(url, proxies=proxies, headers=hdrs, timeout=timeout,228                         verify=False)  # noqa: S501 (proxy MITM du CA Oxylabs)229        return _ResilientResponse(url, r.status_code, r.text,230                                  dict(r.headers), via="oxylabs")231    except Exception:  # noqa: BLE001232        return None233234235def _try_scrapfly(url: str, timeout: int, country: str, render_js: bool,236                  headers: dict | None) -> _ResilientResponse | None:237    key = _secret("SCRAPFLY_KEY", "SCRAPFLY_API_KEY")238    if not key:239        return None240    params = {"key": key, "url": url, "country": country or "ca",241              "asp": "true", "proxy_pool": "public_residential_pool"}242    if render_js:243        params["render_js"] = "true"244    if headers:245        for k, v in headers.items():246            params[f"headers[{k}]"] = v247    try:248        r = requests.get("https://api.scrapfly.io/scrape", params=params,249                         timeout=max(timeout, 180))250        result = (r.json() or {}).get("result") or {}251        return _ResilientResponse(252            url, result.get("status_code") or 0, result.get("content") or "",253            (result.get("response_headers") or {}), via="scrapfly")254    except Exception:  # noqa: BLE001255        return None256257258def _try_brightdata(url: str, timeout: int,259                    headers: dict | None) -> _ResilientResponse | None:260    key = _secret("BRIGHTDATA_API_KEY")261    zone = _secret("BRIGHTDATA_ZONE") or "web_unlocker1"262    if not key:263        return None264    try:265        r = requests.post(266            "https://api.brightdata.com/request",267            headers={"Authorization": f"Bearer {key}",268                     "Content-Type": "application/json"},269            json={"zone": zone, "url": url, "format": "raw"},270            timeout=max(timeout, 120))271        return _ResilientResponse(url, r.status_code, r.text,272                                  dict(r.headers), via="brightdata")273    except Exception:  # noqa: BLE001274        return None275276277# -- API publique -------------------------------------------------------------278def escalate(url: str, *, timeout: int = 30, country: str = "ca",279             render_js: bool = False, headers: dict | None = None,280             original=None):281    """Tente la chaîne de secours et renvoie la meilleure réponse.282283    Renvoie un `_ResilientResponse` 200 dès qu'un backend réussit ; sinon la284    dernière réponse tentée (ou `original`) pour préserver le comportement285    d'échec du connecteur. Respecte le coupe-circuit par hôte.286    """287    host = _host(url)288    if _cooling(host):289        return original  # source au repos : on ne brûle pas de quota payant290291    last = original292    for backend in (293        lambda: _try_oxylabs(url, timeout, country, headers),294        lambda: _try_scrapfly(url, timeout, country, render_js, headers),295        lambda: _try_brightdata(url, timeout, headers),296    ):297        resp = backend()298        if resp is None:299            continue300        last = resp301        if resp.status_code == 200 and resp.text and not is_blocked(resp):302            _note_success(host)303            return resp304        time.sleep(0.4)305306    _note_failure(host)307    return last if last is not None else original308309310def escalate_if_blocked(resp, url: str, *, timeout: int = 30,311                        country: str = "ca", render_js: bool = False,312                        headers: dict | None = None):313    """Renvoie `resp` s'il est bon ; sinon lance l'escalade anti-bot."""314    if not is_blocked(resp):315        return resp316    better = escalate(url, timeout=timeout, country=country,317                      render_js=render_js, headers=headers, original=resp)318    return better if better is not None else resp319