[ka2] fix connecteur gestion_habitation: contournement du challenge sgcaptcha SiteGround via proxy résidentiel Oxylabs — même cause et même fix que boreal_abitibi (8923045), citiluxx (d17f5fe), cromwell (8351131) et deschenes_pepin (f8aca03), hébergeur SiteGround identique. Le sync du 2026-09-12 21:50 a rapporté found=0 ok (médiane 4.0, stale) : SiteGround sert son anti-bot sgcaptcha (HTTP 202, 176 octets, meta refresh vers /.well-known/sgcaptcha/) à l'IP datacenter du nœud (76.70.60.50 flaguée « ipr ») — un 2xx sans HTTPError, la soupe sans .location-card devenait « 0 trouvé ok », invisible du disjoncteur. Vérifié live : IP directe → 202 challenge ; IP résidentielle Oxylabs CA → 200, 130 Ko, 12 cartes dont 8 « NON DISPONIBLE » (4 disponibles, cohérent avec la médiane). Fix minimal, pattern deschenes_pepin : _get_html() détecte le challenge (en-tête sg-captcha ou marqueur /.well-known/sgcaptcha/) et bascule la session sur pr.oxylabs.io:7777 en session collante -cc-CA (liste + fiches détail partagent l'IP), erreur franche si le challenge persiste — la page de liste lève désormais au lieu de retourner 0 carte (fini le zéro silencieux, ingest journalise ok=0) ; _fetch_detail() passe aussi par _get_html() et lève sur challenge pour ne pas empoisonner detail_cache avec un payload vide (clé figée jamais invalidée) ; les fiches détail gardent le except autour de detail() (résultats partiels acceptables). Le chemin direct reste tenté d'abord (gratuit si SiteGround déflague l'IP). Testé : fetch() venv → 4 annonces (4 ch. Malartic 3 200 $, 225 1e Av. O. Amos 900 $, 3½ Malartic 1 250 $ juin 2026, 3½ Amos 1 050 $ juillet 2026, photos 8-25 — médiane 4.0 restaurée), pytest fixtures 2 passed, run.py sync gestion_habitation → found=4 ok, pm2 restart lou-ka-sync, site :8095 → 200.
1 changed file +48 −2
modified
louka/connectors/gestion_habitation.py
+48 −2
@@ -13,11 +13,19 @@ | ||
| 13 | 13 | # animaux, fumeur, stationnement, disponibilité), description |
| 14 | 14 | # (`.location-more-infos`) et galerie (carrousel Oxygen, liens pleine taille). |
| 15 | 15 | # robots.txt WP standard (Disallow /wp-admin/), sitemap XML. |
| 16 | +# 2026-09-13 : SiteGround sert son anti-bot sgcaptcha (202 + challenge JS, | |
| 17 | +# en-tête sg-captcha) aux IP datacenter — invisible du wrapper résilient | |
| 18 | +# (2xx) ; on bascule alors la session sur un proxy résidentiel Oxylabs CA | |
| 19 | +# (même pattern que boreal_abitibi/citiluxx/cromwell/deschenes_pepin, | |
| 20 | +# hébergeur identique). | |
| 16 | 21 | # ----------------------------------------------------------------------------- |
| 17 | 22 | from __future__ import annotations |
| 18 | 23 | |
| 19 | 24 | import hashlib |
| 25 | +import os | |
| 20 | 26 | import re |
| 27 | +import time | |
| 28 | +from urllib.parse import quote | |
| 21 | 29 | |
| 22 | 30 | from bs4 import BeautifulSoup |
| 23 | 31 | |
@@ -27,6 +35,16 @@ from .base import BaseConnector | ||
| 27 | 35 | BASE = "https://gestionhabitation.ca" |
| 28 | 36 | LIST_URL = f"{BASE}/a-louer/" |
| 29 | 37 | |
| 38 | +# page interstitielle sgcaptcha SiteGround (meta refresh vers /.well-known/…) | |
| 39 | +_SG_MARKER = "/.well-known/sgcaptcha/" | |
| 40 | + | |
| 41 | + | |
| 42 | +def _sg_challenge(resp) -> bool: | |
| 43 | + """True si la réponse est le challenge anti-bot SiteGround (202 + JS).""" | |
| 44 | + if "challenge" in str(resp.headers.get("sg-captcha", "")).lower(): | |
| 45 | + return True | |
| 46 | + return _SG_MARKER in (resp.text or "")[:600] | |
| 47 | + | |
| 30 | 48 | # suffixe de redimensionnement WordPress (« -224x300.jpg » -> pleine taille) |
| 31 | 49 | _SIZE_SUFFIX = re.compile(r"-\d{2,4}x\d{2,4}(?=\.(?:jpg|jpeg|png|webp)$)", re.I) |
| 32 | 50 | # « 3 1/2 », « 3½ », « 4 et demi » dans le titre de la carte |
@@ -53,8 +71,34 @@ class GestionHabitationConnector(BaseConnector): | ||
| 53 | 71 | request_delay = 0.6 |
| 54 | 72 | max_details = 30 # garde-fou fiches détail (vraies requêtes par sync) |
| 55 | 73 | |
| 74 | + def _enable_residential_proxy(self) -> bool: | |
| 75 | + """Route toute la session via Oxylabs résidentiel CA (session collante).""" | |
| 76 | + endpoint = os.environ.get("OXYLABS_PROXY") | |
| 77 | + user = os.environ.get("OXYLABS_PROXY_USER") | |
| 78 | + pwd = os.environ.get("OXYLABS_PROXY_PASS") | |
| 79 | + if not (endpoint and user and pwd): | |
| 80 | + return False | |
| 81 | + puser = f"{user}-cc-CA-sessid-gesthab{int(time.time())}-sesstime-10" | |
| 82 | + proxy = f"http://{quote(puser, safe='')}:{quote(pwd, safe='')}@{endpoint}" | |
| 83 | + self.session.proxies = {"http": proxy, "https": proxy} | |
| 84 | + self.session.verify = False # CA MITM du proxy Oxylabs (cf. _resilient) | |
| 85 | + return True | |
| 86 | + | |
| 87 | + def _get_html(self, url: str) -> str: | |
| 88 | + """GET avec contournement du challenge sgcaptcha (proxy résidentiel).""" | |
| 89 | + resp = self.get(url) | |
| 90 | + if not _sg_challenge(resp): | |
| 91 | + return resp.text | |
| 92 | + if not self.session.proxies and self._enable_residential_proxy(): | |
| 93 | + resp = self.get(url) | |
| 94 | + if not _sg_challenge(resp): | |
| 95 | + return resp.text | |
| 96 | + raise RuntimeError(f"challenge sgcaptcha non contourné — {url}") | |
| 97 | + | |
| 56 | 98 | def fetch(self) -> list[Listing]: |
| 57 | − html = self.get(LIST_URL).text | |
| 99 | + # la page de liste échoue franchement sur challenge (fini le | |
| 100 | + # « 0 trouvé ok » silencieux — ingest journalise ok=0) | |
| 101 | + html = self._get_html(LIST_URL) | |
| 58 | 102 | soup = BeautifulSoup(html, "html.parser") |
| 59 | 103 | |
| 60 | 104 | self._fetched = 0 |
@@ -155,7 +199,9 @@ class GestionHabitationConnector(BaseConnector): | ||
| 155 | 199 | if self._fetched >= self.max_details: |
| 156 | 200 | raise RuntimeError("budget de fiches détail atteint") |
| 157 | 201 | self._fetched += 1 |
| 158 | − html = self.get(url).text | |
| 202 | + # _get_html lève sur challenge : pas de {} vide dans detail_cache | |
| 203 | + # (clé figée jamais invalidée) | |
| 204 | + html = self._get_html(url) | |
| 159 | 205 | soup = BeautifulSoup(html, "html.parser") |
| 160 | 206 | out: dict = {} |
| 161 | 207 | |
| 162 | 208 | |