website_audit 추출 정확도 개선 + Apify 빈값 방어

- website_parser: anchor-only href 추출로 CDN 노이즈 차단, additional_domains 를
  data-lang/서브도메인 prefix 기반 글로벌 사이트 검출로 교체, main_cta 카테고리화
  (전화/카톡/예약, fallback 제거) + 최대 3개 제한
- firecrawl: html → rawHtml 로 변경 (script 태그 보존 → 픽셀 검출 정상화)
- gemini_vision: logo_colors_hex 최대 5개 → 2개
- branding: 기존 brandAssets 보존하면서 logo_* 머지 (collect_brand_basics 결과
  덮어쓰지 않게)
- facebook_audit: _page_patch 가 누락 필드 default 값으로 초기화 (Apify 가 페이지
  데이터 못 받을 때 schema validation 실패 방어)
- schemas: top_videos / bio / linked_domain 옵셔널 처리 (실제 누락 가능 케이스 대응)

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

app/integrations/firecrawl.py

@@ -74,7 +74,7 @@ class FirecrawlClient:
             headers=self._headers(),
             json_body={
                 "url": url,
-                "formats": ["json", "links", "html"],
+                "formats": ["json", "links", "rawHtml"],
                 "jsonOptions": {
                     "prompt": "Extract: clinic name (Korean), clinic name (English), address, phone with dash format, business hours, slogan, services offered, doctors with name/title/specialty, brand identity (primary/accent/background/text colors in hex, heading/body fonts, logo URL from the actual header/main <img> src, og:image from <meta property='og:image'> content, favicon URL)",
                     "schema": {
@@ -147,7 +147,7 @@ class FirecrawlClient:
             # "socialMedia": info.get("socialMedia", {}),
             "branding":      info.get("branding", {}),
             "siteLinks":     data.get("links", []),
-            "html":          data.get("html", ""),  # raw HTML — collect 단계에서 tracking 추출 후 raw_data 에는 저장 안 함.
+            "html":          data.get("rawHtml", "") or data.get("html", ""),  # rawHtml = 가공 전 원본 — <script> 등 보존.
             "sourceUrl":     url,
         }
 

app/integrations/llm/gemini_vision.py

@@ -219,7 +219,7 @@ class VisionClient:
             '  "logo_symbol": "심볼이 묘사하는 대상 (예: \'잎사귀\', \'추상 곡선\'). 없으면 빈 문자열",\n'
             '  "logo_text": "로고에 보이는 워드마크 텍스트 그대로 (한글/영문). 없으면 빈 문자열",\n'
             '  "logo_colors_desc": "로고에 쓰인 색감을 사람이 부르는 이름으로 서술 (예: \'딥네이비 + 골드\')",\n'
-            '  "logo_colors_hex": ["로고에서 시각적으로 두드러진 색 정확히 5개의 hex 근사값 배열. 예: [\'#1A2B3C\', \'#D4A017\', \'#FFFFFF\', \'#9E5C2A\', \'#1F1F1F\']. 강한 색이 5개 안 되면 음영/명도 차이로 5개 채울 것. 빈 배열 금지."]\n'
+            '  "logo_colors_hex": ["로고에서 시각적으로 가장 두드러진 색 최대 2개의 hex 근사값 배열. 예: [\'#1A2B3C\', \'#D4A017\']. 색이 1개면 1개만, 강한 색이 1개도 없으면 빈 배열."]\n'
             "}\n"
             "주의: logo_colors_hex 는 시각 추정이라 정확도 떨어질 수 있음. CSS 추출이 우선이고 이건 fallback/보완 용.\n"
             "모든 설명/텍스트 값은 반드시 한국어로 작성하세요 (영어 금지)."
@@ -229,14 +229,9 @@ class VisionClient:
             return {}
         # logo_images는 우리가 직접 채움 (Vision은 묘사만)
         result["logo_images"] = {"circle": None, "horizontal": logo_url, "korean": None}
-        # logo_colors_hex 5개 강제 정규화 — LLM 이 4개나 6개 줄 수도 있어서 길이 fallback.
+        # logo_colors_hex 최대 2개로 제한.
         hex_list = [h for h in (result.get("logo_colors_hex") or []) if isinstance(h, str) and h.startswith("#")]
-        if hex_list:
+        result["logo_colors_hex"] = hex_list[:2]
-            while len(hex_list) < 5:
-                hex_list.append(hex_list[-1])  # 마지막 색 복제로 패딩
-            result["logo_colors_hex"] = hex_list[:5]
-        else:
-            result["logo_colors_hex"] = []
         return result
 
     async def describe_channel_logos(

app/integrations/llm/schemas/report.py

@@ -134,7 +134,7 @@ class YouTubeAudit(BaseModel):
     channel_description: str
     linked_urls: list[LinkedUrl]
     playlists: list[str]
-    top_videos: list[TopVideo]
+    top_videos: list[TopVideo] = []
     diagnosis: list[DiagnosisItem]
 
 
@@ -184,11 +184,11 @@ class FacebookPage(BaseModel):
     followers: int
     following: int
     category: str
-    bio: str
+    bio: str = ""
     logo: str
     logo_description: str
     link: str
-    linked_domain: str
+    linked_domain: str = ""
     reviews: int
     recent_post_age: str
     has_whatsapp: bool | None = None
@@ -245,7 +245,7 @@ class AdditionalDomain(BaseModel):
 
 class WebsiteAudit(BaseModel):
     primary_domain: str
-    additional_domains: list[AdditionalDomain]
+    additional_domains: list[AdditionalDomain] = []
     sns_links_on_site: bool
     sns_links_detail: list[SnsLink] | None = None
     tracking_pixels: list[TrackingPixel]

app/models/report.py

@@ -130,7 +130,7 @@ class YouTubeAudit(CamelModel):
     channel_description: str
     linked_urls: list[LinkedUrl]
     playlists: list[str]
-    top_videos: list[TopVideo]
+    top_videos: list[TopVideo] = []
     diagnosis: list[DiagnosisItem]
 
 
@@ -176,11 +176,11 @@ class FacebookPage(CamelModel):
     followers: int
     following: int
     category: str
-    bio: str
+    bio: str = ""
     logo: str
     logo_description: str
     link: str
-    linked_domain: str
+    linked_domain: str = ""
     reviews: int
     recent_post_age: str
     has_whatsapp: bool | None = None
@@ -222,7 +222,7 @@ class AdditionalDomain(CamelModel):
 
 class WebsiteAudit(CamelModel):
     primary_domain: str
-    additional_domains: list[AdditionalDomain]
+    additional_domains: list[AdditionalDomain] = []
     sns_links_on_site: bool
     sns_links_detail: list[SnsLink] | None = None
     tracking_pixels: list[TrackingPixel]

app/services/analysis.py

@@ -341,8 +341,9 @@ async def run_plan_task(analysis_run_id: str) -> None:
     result = await generate_plan(analysis_run_id)
     # profile_photo 는 brand_assets.logo_description 으로 코드가 박음 (LLM "(가이드 미보유)" 같은 hallucination 차단).
     raw = await select_run_raw_data(analysis_run_id)
-    branding = raw.get(SourceType.BRANDING) or []
+    branding_list = raw.get(SourceType.BRANDING) or []
-    logo_desc = (((branding[0] if branding else {}).get("brandAssets") or {}).get("logo_description")) or ""
+    branding_data = branding_list[0]["raw_data"] if branding_list else {}
+    logo_desc = (branding_data.get("brandAssets") or {}).get("logo_description") or ""
     result = _patch_plan(result, logo_desc)
     await update_run_plan(analysis_run_id, result.model_dump())
     logger.info("[plan] done run=%s", analysis_run_id)

app/services/branding.py

@@ -39,7 +39,11 @@ async def _describe_logo(analysis_run_id: str, info_id: int, vc: VisionClient) -
         if result:
             break
     if result:
-        await update_raw_info_merge(info_id, {"brandAssets": result})
+        # collect_brand_basics 가 미리 채운 brand_colors/color_palette/color_source 보존하면서 logo_* 덧붙이기.
+        raw = await select_run_raw_data(analysis_run_id)
+        existing = ((raw.get("branding") or [{}])[0].get("raw_data") or {}).get("brandAssets") or {}
+        merged = {**existing, **result}
+        await update_raw_info_merge(info_id, {"brandAssets": merged})
     logger.info("[brand_logo] done keys=%s", list(result.keys()) if result else None)
 
 

app/services/collect.py

@@ -86,15 +86,15 @@ async def collect_gangnam_unni(analysis_run_id: str, info_id: int, url: str) ->
     logger.info("[gangnam_unni] done run=%s", analysis_run_id)
 
 
-def _extract_website_audit(html: str, site_links: list[str], url: str) -> dict:
+def _extract_website_audit(html: str, url: str) -> dict:
-    """raw HTML + siteLinks 에서 main CTA / tracking pixels / SNS / additional domains 정규식 추출."""
+    """raw HTML 에서 main CTA / tracking pixels / SNS / additional domains 정규식 추출."""
     if not html:
         return {}
     primary_host = urlparse(url).netloc
     result: dict = {
         "trackingPixels":    extract_tracking_pixels(html),
-        "snsLinks":          extract_sns_links(site_links, html),
+        "snsLinks":          extract_sns_links(html),
-        "additionalDomains": extract_additional_domains(site_links, primary_host),
+        "additionalDomains": extract_additional_domains(html, primary_host),
     }
     html_cta = extract_main_cta(html)
     if html_cta:
@@ -115,7 +115,7 @@ async def collect_mainpage(analysis_run_id: str, info_id: int, hospital_id: str,
     html = data.pop("html", "") or ""  # raw_data 에는 저장 안 함 — 여기서만 사용하고 버림.
     # 홈페이지 URL 자체도 raw_data 에 박아둬야 brand_assets / 분석 단계에서 mainpage URL 재조회 없이 사용 가능.
     data = {**data, "sourceUrl": url}
-    data.update(_extract_website_audit(html, data.get("siteLinks", []), url))
+    data.update(_extract_website_audit(html, url))
 
     await update_raw_info(info_id, data)
     await update_hospital(hospital_id, data, analysis_run_id=analysis_run_id)

app/services/facebook_audit.py

@@ -89,7 +89,8 @@ def _logo_data(channel_logos: dict, channel: str) -> dict:
     }
 
 def _page_patch(item: dict, channel_logos) -> dict:
-    p: dict = {}
+    p: dict = {"page_name": "", "followers": 0, "category": "", "reviews": 0,
+               "following": 0, "recent_post_age": "", "post_frequency": "", "engagement": ""}
     fb = item["raw_data"]
     language = item.get("language") if item.get("language") else "KR"
     label = "페이스북 " + language

app/services/website_parser.py

@@ -1,13 +1,11 @@
-"""collect 단계 - HTML / siteLinks 에서 tracking pixels / SNS links / additional domains 추출.
+"""HTML 정규식 기반 deterministic 추출 — tracking pixels / SNS / additional domains / main CTA."""
-모두 정규식·도메인 매칭 기반 deterministic 추출 (LLM 미경유)."""
 import re
 from urllib.parse import urlparse
 
 
 # ── tracking pixels ──────────────────────────────────────────────────────────
 
-# 픽셀별 시그니처: 이름 → 정규식 리스트. installed 판정은 OR (하나라도 매치되면 설치된 것).
+# 픽셀별 시그니처: 하나라도 매치되면 installed, ID 는 첫 non-empty 그룹.
-# ID 캡처는 모든 패턴 시도 후 첫 non-empty 그룹 사용 (signature-only 패턴과 ID-capture 패턴 혼재 OK).
 _TRACKING_PIXEL_PATTERNS: dict[str, list[re.Pattern]] = {
     "Google Analytics": [
         re.compile(r"googletagmanager\.com/gtag/js\?id=(G-[A-Z0-9]+)", re.IGNORECASE),
@@ -39,8 +37,7 @@ _TRACKING_PIXEL_PATTERNS: dict[str, list[re.Pattern]] = {
 
 
 def extract_tracking_pixels(html: str) -> list[dict]:
-    """HTML 에서 트래킹 픽셀 설치 여부 + ID 추출. 환각 0 — 정규식 매치만 신뢰.
+    """HTML 에서 트래킹 픽셀 설치 여부 + ID 추출."""
-    모든 패턴 시도 → 하나라도 매치되면 installed. ID 는 캡처된 첫 non-empty 그룹 사용."""
     if not html:
         return []
     pixels: list[dict] = []
@@ -66,9 +63,15 @@ def extract_tracking_pixels(html: str) -> list[dict]:
 # ── main CTA ─────────────────────────────────────────────────────────────────
 
 _CTA_KEYWORDS = re.compile(
-    r"(상담|예약|문의|신청|등록|진료|Book\s*Now|Consult|Reservation|Contact|Apply)",
+    r"(상담|예약|문의|신청|등록|Book\s*Now|Consult|Reservation|Contact|Apply)",
     re.IGNORECASE,
 )
+# CTA 카테고리 우선순위 (전화>카톡>예약). 매치 없으면 결과에 포함 X.
+_CTA_CATEGORIES: list[tuple[str, re.Pattern]] = [
+    ("전화 상담",     re.compile(r"전화|\bCall\b|\bPhone\b", re.IGNORECASE)),
+    ("카카오톡 상담", re.compile(r"카(카오)?톡|Kakao", re.IGNORECASE)),
+    ("온라인 예약",   re.compile(r"예약|Reserv|Book", re.IGNORECASE)),
+]
 _BUTTON_TAG = re.compile(r"<button\b[^>]*>(.*?)</button>", re.IGNORECASE | re.DOTALL)
 _ANCHOR_TAG = re.compile(r"<a\b[^>]*>(.*?)</a>", re.IGNORECASE | re.DOTALL)
 
@@ -78,22 +81,37 @@ def _clean_text(inner: str) -> str:
     return re.sub(r"\s+", " ", text).strip()
 
 
+_MAIN_CTA_LIMIT = 3
+
+
+def _classify_cta(text: str) -> str | None:
+    """CTA 텍스트 → 카테고리 (전화/카톡/예약). 매치 없으면 None."""
+    for label, pat in _CTA_CATEGORIES:
+        if pat.search(text):
+            return label
+    return None
+
+
 def extract_main_cta(html: str) -> str:
-    """HTML 에서 primary CTA 텍스트 추출. 우선순위: <button> 첫 매치 → <a> 첫 매치.
+    """<button>·<a> 라벨을 카테고리로 분류 후 우선순위 순서로 최대 _MAIN_CTA_LIMIT 개 join."""
-    CTA 키워드 매칭 + 길이 1~20자 (버튼 라벨 추정)."""
     if not html:
         return ""
+    found: set[str] = set()
     for pat in (_BUTTON_TAG, _ANCHOR_TAG):
         for m in pat.finditer(html):
             text = _clean_text(m.group(1))
             if text and 1 <= len(text) <= 20 and _CTA_KEYWORDS.search(text):
-                return text
+                cat = _classify_cta(text)
-    return ""
+                if cat:
+                    found.add(cat)
+    ordered_labels = [label for label, _ in _CTA_CATEGORIES]
+    result = [label for label in ordered_labels if label in found]
+    return " + ".join(result[:_MAIN_CTA_LIMIT])
 
 
 # ── SNS links ────────────────────────────────────────────────────────────────
 
-# SNS 도메인 → 표준 platform 이름. siteLinks 필터링 + DOM 위치 판정에 공유.
+# SNS 도메인 → 표준 platform 이름.
 _SNS_DOMAINS: dict[str, str] = {
     "facebook.com":   "Facebook",
     "instagram.com":  "Instagram",
@@ -110,11 +128,16 @@ _SNS_DOMAINS: dict[str, str] = {
 
 _FOOTER_BLOCK = re.compile(r"<footer\b[^>]*>(.*?)</footer>", re.IGNORECASE | re.DOTALL)
 _HEADER_BLOCK = re.compile(r"<header\b[^>]*>(.*?)</header>", re.IGNORECASE | re.DOTALL)
+# <a> 태그 안의 href 만 매치 — <link>/<script> 등 리소스 호출 제외 (CDN 노이즈 차단).
+_ANCHOR_HREF_PATTERN = re.compile(
+    r"""<a\b[^>]*\bhref\s*=\s*['"](https?://[^'"\s]+)['"]""",
+    re.IGNORECASE,
+)
 
 
 def _platform_for(url: str) -> str | None:
     try:
-        host = urlparse(url).netloc.lower().lstrip("www.")
+        host = urlparse(url).netloc.lower().removeprefix("www.")
     except Exception:
         return None
     for domain, name in _SNS_DOMAINS.items():
@@ -124,7 +147,7 @@ def _platform_for(url: str) -> str | None:
 
 
 def _location_for(url: str, html: str) -> str:
-    """url 이 HTML 의 <header>/<footer> 안에 들어있는지로 위치 판정. 둘 다 아니면 'body'."""
+    """url 이 <header>/<footer> 블록 안에 있는지 판정 — 둘 다 아니면 'body'."""
     if not html:
         return ""
     needle = re.escape(url)
@@ -137,11 +160,21 @@ def _location_for(url: str, html: str) -> str:
     return "body"
 
 
-def extract_sns_links(site_links: list[str], html: str = "") -> list[dict]:
+def _extract_anchor_hrefs(html: str) -> list[str]:
-    """siteLinks 에서 SNS 도메인 매칭. location 은 HTML 의 footer/header tag 블록으로 판정.
+    """<a href="http..."> 만 추출 — 순서 보존, 중복 제거."""
-    중복 platform 은 첫 URL 만 유지."""
+    if not html:
+        return []
+    seen: dict[str, None] = {}
+    for url in _ANCHOR_HREF_PATTERN.findall(html):
+        if url not in seen:
+            seen[url] = None
+    return list(seen.keys())
+
+
+def extract_sns_links(html: str) -> list[dict]:
+    """anchor href 에서 SNS 도메인 매칭. 중복 platform 은 첫 URL 만 유지."""
     seen: dict[str, dict] = {}
-    for url in site_links or []:
+    for url in _extract_anchor_hrefs(html):
         platform = _platform_for(url)
         if not platform or platform in seen:
             continue
@@ -153,26 +186,63 @@ def extract_sns_links(site_links: list[str], html: str = "") -> list[dict]:
     return list(seen.values())
 
 
-# ── additional domains ───────────────────────────────────────────────────────
+# ── additional domains (글로벌/다국어 사이트만) ─────────────────────────────────
 
-def extract_additional_domains(site_links: list[str], primary_host: str) -> list[dict]:
+# 언어 코드 → 한국어 라벨.
-    """siteLinks 의 host 중 primary 도메인이 아닌 외부 도메인 모으기. SNS·맵 등 utility 도메인 제외.
+_LANG_LABEL: dict[str, str] = {
-    purpose 분류는 LLM 필요 — 여기선 빈 문자열."""
+    "en": "영어", "eng": "영어",
-    skip_domains = set(_SNS_DOMAINS) | {
+    "zh": "중국어", "cn": "중국어", "chn": "중국어",
-        "map.kakao.com", "map.naver.com", "maps.google.com", "goo.gl",
+    "ja": "일본어", "jp": "일본어",
-    }
+    "ko": "한국어", "kor": "한국어", "kr": "한국어",
-    primary = (primary_host or "").lower().lstrip("www.")
+    "vi": "베트남어", "vn": "베트남어",
+    "th": "태국어", "thai": "태국어",
+    "ru": "러시아어",
+    "es": "스페인어",
+    "mn": "몽골어",
+    "ar": "아랍어", "arab": "아랍어",
+    "id": "인도네시아어",
+    "de": "독일어",
+    "fr": "프랑스어",
+    "pt": "포르투갈어",
+}
+
+_LANG_LI_PATTERN = re.compile(
+    r'<li\b[^>]*\bdata-lang\s*=\s*[\'"]([^\'"]+)[\'"][^>]*>(.*?)</li>',
+    re.IGNORECASE | re.DOTALL,
+)
+
+
+def extract_additional_domains(html: str, primary_host: str) -> list[dict]:
+    """글로벌/다국어 사이트 anchor 수집 — data-lang 마커 + URL 서브도메인 prefix 로 식별."""
+    if not html:
+        return []
+    primary = (primary_host or "").lower().removeprefix("www.")
     seen: dict[str, dict] = {}
-    for url in site_links or []:
+
-        if not url or not url.startswith("http"):
+    def add(host: str, lang_kr: str):
-            continue
+        host = host.lower().removeprefix("www.")
-        try:
-            host = urlparse(url).netloc.lower().lstrip("www.")
-        except Exception:
-            continue
         if not host or host == primary or host in seen:
+            return
+        seen[host] = {"domain": host, "purpose": lang_kr}
+
+    # 1) <li data-lang="xx"> 안의 anchor
+    for m in _LANG_LI_PATTERN.finditer(html):
+        lang_kr = _LANG_LABEL.get(m.group(1).lower())
+        if not lang_kr:
             continue
-        if any(host == d or host.endswith("." + d) for d in skip_domains):
+        a_m = re.search(r'<a[^>]*href\s*=\s*[\'"](https?://[^\'"\s]+)[\'"]', m.group(2), re.IGNORECASE)
-            continue
+        if a_m:
-        seen[host] = {"domain": host, "purpose": ""}
+            add(urlparse(a_m.group(1)).netloc, lang_kr)
+
+    # 2) URL 서브도메인 prefix 가 언어 코드
+    for url in _extract_anchor_hrefs(html):
+        host = urlparse(url).netloc.lower().removeprefix("www.")
+        parts = host.split(".")
+        if len(parts) >= 3:
+            lang_kr = _LANG_LABEL.get(parts[0])
+            if lang_kr:
+                add(host, lang_kr)
+
     return list(seen.values())
+
+