From fa321096586999941264504db05855dd7298d43d Mon Sep 17 00:00:00 2001
From: Mina Choi <mnchoi@o2o.kr>
Date: Fri, 29 May 2026 10:45:08 +0900
Subject: [PATCH] =?UTF-8?q?fix(color=5Fextractor):=20CSS=20.logo=20?=
 =?UTF-8?q?=ED=8C=A8=ED=84=B4=20=EC=9A=B0=EC=84=A0=EC=88=9C=EC=9C=84=20+?=
 =?UTF-8?q?=20lang/flag=20noise=20=ED=95=84=ED=84=B0=20=EA=B0=95=ED=99=94?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

문제: JK 성형외과 (jkplastic.com) 처럼 <h1 class="logo"><a>JK PLASTIC</a></h1>
형태로 logo 텍스트만 있고 진짜 이미지는 외부 CSS의 .logo { background-image: url(...) }
로 들어가는 사이트에서, generic <header> 첫 img 패턴이 한국어 깃발(lang-kor.png)을
먼저 잡아 잘못된 로고가 박혔음.

수정:
- find_logo_url_in_html 흐름 재정렬:
  1) class/id/alt/src 명시 + 부모 class="logo" + 중첩 img (specific)
  2) **외부 CSS 의 .logo background-image** ← generic 보다 앞으로 (class-based 라
     더 specific)
  3) <header>/<nav> 첫 img (가장 generic, 잘못 잡힐 위험)
- noise 필터 강화: lang-kor / lang-eng / flag / country / icon- / btn- / arrow /
  prev / next / search 같이 logo 아닌 게 명백한 src 는 모든 단계에서 skip

검증: JK 는 lang-kor.png → logo-color.png 로 정확히 잡힘.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
---
 app/integrations/color_extractor.py | 39 +++++++++++++++++++++++------
 1 file changed, 32 insertions(+), 7 deletions(-)

diff --git a/app/integrations/color_extractor.py b/app/integrations/color_extractor.py
index 806d8cd..6419061 100644
--- a/app/integrations/color_extractor.py
+++ b/app/integrations/color_extractor.py
@@ -84,22 +84,47 @@ LOGO_CSS_PATTERN = re.compile(
 
 
 def find_logo_url_in_html(html: str, base_url: str, css_texts: list[str] | None = None) -> str | None:
-    """HTML에서 logo URL 찾기. class/id/alt → 부모 + 중첩 img → background-image → src에 logo → header/nav → og:image 순."""
-    for pat in LOGO_IMG_PATTERNS:
+    """HTML에서 logo URL 찾기. 우선순위:
+    1) 패턴 1~8 (class/id/alt/src에 'logo' 명시된 img — 가장 specific)
+    2) 외부 CSS의 .logo background-image (class-based, 더 specific)
+    3) 패턴 9~10 (<header>/<nav> 안 첫 img — 가장 generic, 잘못 잡힐 위험 큼)
+    """
+
+    def _is_noise(src: str) -> bool:
+        """logo로 잘못 잡힐 가능성 높은 URL 패턴 — lang/flag/icon/arrow/spacer 등."""
+        if not src or src.startswith("data:"):
+            return True
+        if re.search(r"(blank|spacer|pixel|transparent|1x1)\b", src, re.IGNORECASE):
+            return True
+        # 헤더 첫 img가 lang flag / 검색 아이콘 / 네비 화살표인 경우 (JK plastic 한국어 깃발이 잡히던 케이스)
+        if re.search(r"(lang[-_]?(kor|eng|chn|jpn|rus|jp|en|ko|cn|ar|in)|flag|country|icon-|btn-|arrow|prev|next|search)\b", src, re.IGNORECASE):
+            return True
+        return False
+
+    # 1) class/id/alt/src/inline-bg/src-with-logo 패턴 (1~8)
+    for pat in LOGO_IMG_PATTERNS[:8]:
         for m in pat.finditer(html):
             src = m.group(1)
-            if not src or src.startswith("data:"):
-                continue
-            if re.search(r"(blank|spacer|pixel|transparent|1x1)\b", src, re.IGNORECASE):
+            if _is_noise(src):
                 continue
             return urljoin(base_url, src)
-    # 외부 CSS에서 .logo background-image 추출
+
+    # 2) 외부 CSS의 .logo { background-image } — class-based 이므로 generic 패턴보다 우선
     for css in (css_texts or []):
         m = LOGO_CSS_PATTERN.search(css)
         if m:
             src = m.group(1)
-            if src and not src.startswith("data:"):
+            if not _is_noise(src):
                 return urljoin(base_url, src)
+
+    # 3) header/nav 첫 img — 가장 generic, lang flag 등 noise 필터 강화 적용
+    for pat in LOGO_IMG_PATTERNS[8:]:
+        for m in pat.finditer(html):
+            src = m.group(1)
+            if _is_noise(src):
+                continue
+            return urljoin(base_url, src)
+
     return None