Python 68.8%
TypeScript 18.6%
CSS 8.7%
JavaScript 3.3%
HTML 0.6%
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