o2o-negosium-original/lps/services/search/browser_base.py

"""브라우저 기반 검색 어댑터 공통 베이스.

쿠팡·G마켓·옥션·11번가처럼 안티봇(Akamai/ESM 챌린지 등) 때문에 실제 Chrome(patchright)로
뚫어야 하는 소스의 공통 machinery 를 모은다:
  브라우저 수명 관리 · 프록시 sticky 회전 · 리소스 차단(대역폭↓) · 차단 감지 + IP 회전 재시도 + 감지 기록.

사이트별 차이는 훅으로 분리한다:
  _search_url(query, limit)  검색 URL
  _parse(html)               HTML → NormalizedProduct[]
  ready_selector             결과 렌더 완료 신호 셀렉터(챌린지 통과 대기용)
  block_markers/min_result_html  차단 판정(0건일 때)

detect_block 은 순수 함수로 분리 — 브라우저 없이 단위 테스트 가능.
"""

import asyncio
import os
import time
from abc import abstractmethod

from patchright.async_api import async_playwright

from common.logger import LOG
from services.search.contract import SearchAdapter, NormalizedProduct, AdapterError, AdapterHealth
from services.search.rate_limiter import RateLimiter

# 대역폭 절감 기본 차단 집합(쿠팡): 이미지/미디어/폰트/CSS. 쿠팡은 CSS 없이도 파싱·Akamai 통과 OK.
# 오픈마켓(ESM/11번가)은 CSS/JS 를 막으면 렌더/챌린지가 깨져 이미지·미디어·폰트만 막는다(어댑터에서 override).
_BLOCKED_RESOURCES = {"image", "media", "font", "stylesheet"}

# 브라우저 실행 대상(env override): 로컬 Mac=실제 Chrome(channel=chrome), 컨테이너=시스템 chromium(executable_path).
# headless 는 안티봇에 탐지되므로 서버에선 Xvfb(가상 디스플레이)로 headful 실행한다(headless 실측 실패).
_CHROME_CHANNEL = os.environ.get("LPS_CHROME_CHANNEL", "chrome")
_CHROME_EXECUTABLE = os.environ.get("LPS_CHROME_EXECUTABLE") or None


def detect_block(html: str, product_count: int, markers: tuple, min_len: int) -> str | None:
    """0건 응답의 차단 여부 판정(순수 함수). 반환: 차단 마커(차단) 또는 None(정상 빈결과).
    상품이 있으면 항상 None. 알려진 마커 우선, 없으면 비정상적으로 짧은 HTML 을 미지의 차단으로 폴백."""
    if product_count > 0:
        return None
    marker = next((m for m in markers if m in html), None)
    if marker is None and len(html) < min_len:
        marker = f"short_html({len(html)}B)"
    return marker


# 프록시 전송 실패 마커 — 사이트 차단이 아니라 DECODO 포트/IP 사망·세션만료. 봇 감지와 별개로 IP 회전 트리거.
_PROXY_ERR_MARKERS = (
    "ERR_TUNNEL_CONNECTION_FAILED", "ERR_PROXY_CONNECTION_FAILED", "ERR_HTTP_RESPONSE_CODE_FAILURE",
    "ERR_NO_SUPPORTED_PROXIES", "ERR_SOCKS_CONNECTION_FAILED", "ERR_CONNECTION_CLOSED",
    "Proxy Authentication", "status code 407", "407 ",
)


def is_proxy_error(msg: str) -> bool:
    """예외 메시지가 프록시 전송 실패(포트/IP 사망·407)인지(순수 함수, 단위 테스트 가능).
    True 면 사이트 차단이 아니라 프록시 문제 → 다른 IP 로 회전하면 회복 가능."""
    return any(m in (msg or "") for m in _PROXY_ERR_MARKERS)


class BrowserSearchAdapter(SearchAdapter):
    """patchright(스텔스 Chrome) 기반 검색 어댑터 베이스. persistent context 로 브라우저를 재사용한다."""

    # 서브클래스 오버라이드 지점
    block_markers: tuple = ()
    min_result_html: int = 10000
    ready_selector: str = "body"
    ready_timeout_ms: int = 20000
    block_resources_default: bool = True        # 리소스 차단 라우팅 on/off 기본값.
    blocked_resource_types: set = _BLOCKED_RESOURCES  # 차단할 resource_type(사이트별 override — 오픈마켓은 CSS/JS 유지)
    scroll_steps: int = 0                        # >0 이면 렌더 대기 전 스크롤(지연 로딩 트리거, 예: 11번가)
    max_proxy_retries: int = 2                   # 프록시 전송오류(포트 사망) 시 IP 회전 재시도 횟수

    def __init__(self, headless: bool = False, user_data_dir: str | None = None, rate_limiter: RateLimiter | None = None,
                 proxy=None, block_resources: bool | None = None, on_detect=None, max_block_retries: int = 1):
        self._headless = headless
        self._user_data_dir = user_data_dir or f"/tmp/lps_{self.source}_profile"
        self._rl = rate_limiter or RateLimiter()
        self._proxy = proxy                     # DecodoProxy 등 (없으면 직접 연결)
        self._block_resources = self.block_resources_default if block_resources is None else block_resources
        self._block_active = self._block_resources   # 요청별 실제 차단 여부(_blocking_now 로 갱신)
        self._on_detect = on_detect             # async def(event: dict) — 감지 영속화(선택)
        self._max_block_retries = max_block_retries
        self._pw = None
        self._ctx = None
        self._launched_at = 0.0
        self._ip_requests = 0                   # 현재 브라우저(IP)로 보낸 요청 수(재기동 시 리셋)
        self._current_port = None
        self._force_recycle = False
        self._lock = asyncio.Lock()
        self._ok = 0
        self._blocked = 0
        self._last_used = 0.0   # 마지막 검색 시각(monotonic) — 유휴 브라우저 정리 판단용
        self._cdp = None        # CDP 세션(실제 네트워크 바이트 계측용). 미지원 시 None → DOM 크기 폴백
        self._net_bytes = 0     # 현재 검색의 실제 전송 바이트(encodedDataLength 누적)
        self.last_bytes = 0   # 직전 search 의 전송 바이트(계측용) — 호출부가 await 직후 읽는다

    # ---- 사이트별 훅 --------------------------------------------------
    @abstractmethod
    def _search_url(self, query: str, limit: int) -> str:
        raise NotImplementedError

    @abstractmethod
    def _parse(self, html: str) -> list[NormalizedProduct]:
        raise NotImplementedError

    async def _wait_ready(self, page):
        """결과 렌더 대기. 지연 로딩(scroll_steps>0)이면 먼저 스크롤로 트리거하고, ready_selector 등장까지 대기.
        챌린지형(ESM '잠시만')은 이 대기 시간 안에 자동 통과(IP 평판 좋을 때). 타임아웃은 예외로 두지 않는다
        — 이후 parse 0건이면 차단 판정 로직(마커/짧은HTML)이 처리해 IP 회전을 유도."""
        for _ in range(self.scroll_steps):
            try:
                await page.evaluate("window.scrollBy(0, 1500)")
            except Exception:
                break
            await page.wait_for_timeout(1000)
        try:
            await page.wait_for_selector(self.ready_selector, timeout=self.ready_timeout_ms)
        except Exception:
            pass

    # ---- 공통 브라우저 수명 -------------------------------------------
    async def _route(self, route):
        if self._block_active and route.request.resource_type in self.blocked_resource_types:
            await route.abort()
        else:
            await route.continue_()

    async def _blocking_now(self) -> bool:
        """이번 요청에서 리소스를 실제로 차단할지. 기본은 설정값 그대로.
        ESM(Turnstile)은 챌린지 solving 중엔 차단하면 안 되므로 override(웜=cf_clearance 있으면만 차단)."""
        return self._block_resources

    def _recycle_due(self) -> bool:
        if self._force_recycle:
            return True
        if not (self._proxy and self._proxy.enabled):
            return False
        return (time.monotonic() - self._launched_at) > self._proxy.session_minutes * 60

    async def _ensure_browser(self):
        if self._ctx is not None:
            if self._recycle_due():
                LOG.d(f"[{self.source}] 브라우저 재기동(IP 회전)")
                await self._close_ctx()
            else:
                return
        if self._pw is None:
            self._pw = await async_playwright().start()
        kwargs = dict(user_data_dir=self._user_data_dir, headless=self._headless, no_viewport=True)
        if _CHROME_EXECUTABLE:
            kwargs["executable_path"] = _CHROME_EXECUTABLE   # 컨테이너: 시스템 chromium
            # 컨테이너(root)에선 sandbox 불가 → --no-sandbox 필수(없으면 런칭 행). /dev/shm 부족 크래시 방지.
            kwargs["args"] = ["--no-sandbox", "--disable-dev-shm-usage"]
        else:
            kwargs["channel"] = _CHROME_CHANNEL               # 로컬: 실제 Chrome
        if self._proxy and self._proxy.enabled:
            kwargs["proxy"] = self._proxy.playwright_proxy()
            self._current_port = self._proxy.current_port
        self._ctx = await self._pw.chromium.launch_persistent_context(**kwargs)
        if self._block_resources:
            await self._ctx.route("**/*", self._route)
        self._launched_at = time.monotonic()
        self._ip_requests = 0
        self._force_recycle = False

    async def _close_ctx(self):
        self._cdp = None   # 컨텍스트와 함께 CDP 세션도 죽음 → 다음 검색 때 재부착
        if self._ctx is not None:
            try:
                await self._ctx.close()
            finally:
                self._ctx = None

    def _add_net(self, event):
        """CDP Network.loadingFinished 콜백 — 실제 전송 바이트(encodedDataLength) 누적."""
        try:
            self._net_bytes += int(event.get("encodedDataLength", 0) or 0)
        except Exception:
            pass

    async def _ensure_net_meter(self, page):
        """CDP 네트워크 계측 세션 부착(컨텍스트당 1회). 실패(미지원)하면 DOM 크기로 폴백."""
        if self._cdp is not None:
            return
        try:
            self._cdp = await self._ctx.new_cdp_session(page)
            await self._cdp.send("Network.enable")
            self._cdp.on("Network.loadingFinished", self._add_net)
        except Exception:
            self._cdp = None

    @property
    def uses_proxy(self) -> bool:
        """이 어댑터가 프록시(DECODO)를 경유하는지 — 대역폭 비용 귀속용."""
        return bool(self._proxy and self._proxy.enabled)

    def _rotate_ip(self, reason: str):
        """즉시 다음 IP(포트)로 회전 예약 + 다음 _ensure_browser 에서 브라우저 재기동."""
        if self._proxy and self._proxy.enabled:
            self._proxy.rotate()
            self._force_recycle = True
            LOG.w(f"[{self.source}] IP 회전 — {reason}")

    # ---- 검색(프록시 전송오류·봇 감지 → IP 회전 인라인 재시도) --------
    async def search(self, query: str, limit: int = 40) -> list[NormalizedProduct]:
        async with self._lock:  # 인스턴스 내 검색 직렬화(브라우저 컨텍스트 공유)
            self._last_used = time.monotonic()
            proxy_retries, block_retries = self.max_proxy_retries, self._max_block_retries
            while True:
                await self._rl.wait()
                await self._ensure_browser()
                self._ip_requests += 1
                page = self._ctx.pages[0] if self._ctx.pages else await self._ctx.new_page()
                url = self._search_url(query, limit)
                self._block_active = await self._blocking_now()   # 챌린지 solving 중이면 차단 해제(Turnstile 보호)
                await self._ensure_net_meter(page)
                self._net_bytes = 0                                # 이 검색의 전송 바이트만 집계
                try:
                    await page.goto(url, wait_until="domcontentloaded", timeout=40000)
                    await self._wait_ready(page)
                    html = await page.content()
                except Exception as ex:
                    # 프록시 전송 실패(포트/IP 사망·407)면 사이트 문제가 아니므로 IP 회전 후 재시도
                    if self.uses_proxy and is_proxy_error(str(ex)) and proxy_retries > 0:
                        proxy_retries -= 1
                        self._rotate_ip(f"프록시 전송오류({type(ex).__name__}) 재시도 {self.max_proxy_retries - proxy_retries}/{self.max_proxy_retries}")
                        continue
                    raise AdapterError(f"{self.source} 검색 실패: {ex}", source=self.source) from ex

                # 실제 프록시 전송 바이트(CDP encodedDataLength) — 미지원 시 DOM 크기 폴백
                self.last_bytes = self._net_bytes if self._cdp is not None else len(html.encode("utf-8"))
                products = self._parse(html)
                if products:
                    self._ok += 1
                    LOG.d(f"[{self.source}] query={query!r} → {len(products)}건 (limit {limit}, ip_req#{self._ip_requests})")
                    return products[:limit]

                marker = detect_block(html, len(products), self.block_markers, self.min_result_html)
                blocked = marker is not None
                self._blocked += 1
                if blocked:
                    await self._report_detection(query, marker, len(html))

                if blocked and self.uses_proxy and block_retries > 0:
                    block_retries -= 1
                    self._rotate_ip(f"봇 감지 재시도 {self._max_block_retries - block_retries}/{self._max_block_retries}")
                    continue

                raise AdapterError(f"{self.source} 결과 없음/차단 (query={query!r}, blocked={blocked})", source=self.source, blocked=blocked)

    async def _report_detection(self, query: str, marker: str, html_len: int):
        elapsed = int(time.monotonic() - self._launched_at)
        LOG.w(f"[{self.source}][BOT-DETECTED] ip_req#{self._ip_requests} port={self._current_port} "
              f"elapsed={elapsed}s headless={self._headless} marker={marker!r} query={query!r} html_len={html_len}")
        if self._on_detect is not None:
            event = {"source": self.source, "query": query, "ip_request_no": self._ip_requests,
                     "proxy_port": self._current_port, "elapsed_sec": elapsed, "marker": marker,
                     "headless": self._headless, "html_len": html_len}
            try:
                await self._on_detect(event)
            except Exception as ex:
                LOG.e_no_callstack(f"[{self.source}] 감지 기록 실패(무시): {ex}")

    async def health(self) -> AdapterHealth:
        total = self._ok + self._blocked
        rate = (self._ok / total) if total else 0.0
        return AdapterHealth(source=self.source, ok=(self._blocked == 0 or rate > 0.5),
                             recent_success_rate=rate, blocked_rate=(self._blocked / total) if total else 0.0)

    async def close_if_idle(self, idle_sec: float):
        """일정 시간 검색이 없으면 브라우저 컨텍스트를 정리(메모리 회수). playwright 는 유지 —
        다음 검색 때 재기동한다. cf_clearance 등 쿠키는 user_data_dir 에 남아 재기동해도 웜 유지."""
        if self._ctx is None or self._lock.locked():   # 검색 중이면 건너뜀
            return
        if time.monotonic() - self._last_used < idle_sec:
            return
        async with self._lock:
            if self._ctx is not None and time.monotonic() - self._last_used >= idle_sec:
                LOG.d(f"[{self.source}] 유휴 {idle_sec:.0f}s 초과 → 브라우저 정리(다음 검색 때 재기동)")
                await self._close_ctx()

    async def close(self):
        if self._ctx is not None:
            await self._ctx.close()
            self._ctx = None
        if self._pw is not None:
            await self._pw.stop()
            self._pw = None