Files
rakuten-api/app/scraping/utils/urls.py
T
q792602257andClaude Opus 5 104d7fef6b 拆分抓取与交易服务
把需要账号登录态的链路从抓取服务里拆出成独立进程。分界线不是「要不要登录」,
而是抓取无状态、幂等、可多开实例,而交易的写操作不可逆、登录态全局唯一、
订单监控是常驻轮询——同进程时抓取一扩容就会复制出 N 份登录态与 N 个轮询,
同一账号会被并发操作。

- app/shared:配置、错误码、日志、ApiResponse 信封 + Bearer 鉴权 + 异常处理器、
  导航请求头构造器
- app/scraping:站点常量、会话、解析器与 10 个抓取接口,:31107,可多开
- app/trading:登录态查询/重载与健康检查,:31108,只能单实例
- 依赖方向锁为 scraping→shared、trading→shared,两侧互不 import;
  tests/test_architecture.py 用 AST 检查 import 并校验两个 app 的路径不串
- 登录态 UA 在 trading 独立持有:与抓取 UA 值相同但变更理由不同,抓取 UA 为绕
  反爬可随时调整,登录 UA 一改可能触发设备校验使已落盘 cookie 失效
- scripts/login.py 与 AuthSession 共用 auth_site.PROFILES 与 is_logged_in,判据只写一遍
- 同一镜像两个启动命令,交易容器覆盖 command 并设 RAKUTEN_HEALTH_PORT

同时带上此前未提交的 ラクマ 分类接口与登录态基础设施。

验证:239 个离线用例全绿;两个入口真实启动,/health 与鉴权正常。
未验证:真实探测登录态(当前开发机无外网,对站点的连接全部超时)。

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
2026-07-27 15:05:01 +08:00

165 lines
6.3 KiB
Python

"""乐天页面 URL 的构建与解析
搜索页 URL 形如:
https://search.rakuten.co.jp/search/mall/{关键词}/{分类ID}/?p=2&s=2&min=1000&f=2&f=101
其中关键词段在只按分类检索时用 `-` 占位;`f` 可重复出现,每个值代表一项筛选。
商品页 URL 形如:
https://item.rakuten.co.jp/{店铺代码}/{商品编号}/
"""
from __future__ import annotations
from urllib.parse import quote, urlencode, urlparse, urlsplit, urlunsplit, parse_qsl
from app.scraping.core import site
from app.shared.errors import InvalidRequestError
from app.scraping.models.scrape import SearchRequest
# 只按分类检索(无关键词)时,关键词段的占位符
_KEYWORD_PLACEHOLDER = "-"
# www.rakuten.co.jp 下已被站点自身占用、不可能是店铺代码的一级路径
_RESERVED_WWW_PATHS = frozenset({"category", "event", "search", "rms", "info", "help"})
def build_search_url(payload: SearchRequest) -> str:
"""根据搜索请求参数构建乐天搜索页 URL"""
keyword = payload.keyword.strip()
path = quote(keyword, safe="") if keyword else _KEYWORD_PLACEHOLDER
url = f"{site.SEARCH_BASE_URL}{path}/"
if payload.genre_id:
url = f"{url}{quote(str(payload.genre_id), safe='')}/"
params: list[tuple[str, str]] = []
if payload.page > 1:
params.append(("p", str(payload.page)))
sort_code = site.SORT_CODES.get(payload.sort.value)
if sort_code:
params.append(("s", sort_code))
if payload.min_price is not None:
params.append(("min", str(payload.min_price)))
if payload.max_price is not None:
params.append(("max", str(payload.max_price)))
if payload.shop_id is not None:
params.append(("sid", str(payload.shop_id)))
if payload.exclude_keyword:
params.append(("nitem", payload.exclude_keyword))
if payload.title_only:
params.append(("sf", "1"))
if payload.or_query:
params.append(("st", "O"))
if payload.min_review_score is not None:
params.append(("review", str(payload.min_review_score)))
if payload.tags:
params.append(("tg", ",".join(str(tag) for tag in payload.tags)))
# 成色与各布尔筛选共用可重复的 `f` 参数
if payload.condition is not None:
params.append(("f", site.CONDITION_CODES[payload.condition.value]))
for field_name, code in site.BOOL_FILTER_CODES.items():
if getattr(payload, field_name):
params.append(("f", code))
if not params:
return url
return f"{url}?{urlencode(params)}"
def normalize_search_url(raw_url: str, page: int) -> str:
"""校验透传的搜索 URL,并在需要时覆盖其中的页码
page 大于 1 时以入参为准覆盖 URL 中的 `p`,这样上游可以复用同一条 URL 翻页。
"""
parsed = urlsplit(raw_url)
if parsed.hostname != site.SEARCH_HOST:
raise InvalidRequestError(f"search_url 必须是 {site.SEARCH_HOST} 下的搜索页地址")
if page <= 1:
return raw_url
query = [(key, value) for key, value in parse_qsl(parsed.query, keep_blank_values=True) if key != "p"]
query.append(("p", str(page)))
return urlunsplit((parsed.scheme, parsed.netloc, parsed.path, urlencode(query), parsed.fragment))
def build_genre_url(genre_id: str | None) -> str:
"""构建取分类树用的页面地址
指定分类时用分类页——它比搜索页多给 genreInfo(完整分类名与描述)。
不指定时退回搜索页:分类分面与查询内容无关,用哨兵关键词能拿到干净的顶层列表。
"""
if genre_id:
return f"{site.CATEGORY_BASE_URL}{quote(str(genre_id).strip().strip('/'), safe='')}/"
return f"{site.SEARCH_BASE_URL}{site.GENRE_FACET_PROBE_KEYWORD}/"
def build_item_url(shop_code: str, item_code: str) -> str:
"""由店铺代码与商品编号拼出商品详情页 URL"""
shop = quote(shop_code.strip().strip("/"), safe="")
item = quote(item_code.strip().strip("/"), safe="")
if not shop or not item:
raise InvalidRequestError("shop_code 与 item_code 均不能为空")
return f"{site.ITEM_BASE_URL}{shop}/{item}/"
def split_item_url(raw_url: str) -> tuple[str, str]:
"""从商品页 URL 中解析出 (店铺代码, 商品编号)
Raises:
InvalidRequestError: 不是 item.rakuten.co.jp 下的商品页地址
"""
parsed = urlsplit(raw_url)
if parsed.hostname != site.ITEM_HOST:
raise InvalidRequestError(f"item_url 必须是 {site.ITEM_HOST} 下的商品页地址")
segments = [segment for segment in parsed.path.split("/") if segment]
if len(segments) < 2:
raise InvalidRequestError(f"无法从 item_url 中解析店铺代码与商品编号:{raw_url}")
return segments[0], segments[1]
def build_shop_url(shop_code: str) -> str:
"""由店铺代码拼出店铺首页 URL"""
shop = quote(shop_code.strip().strip("/"), safe="")
if not shop:
raise InvalidRequestError("shop_code 不能为空")
return f"{site.WWW_BASE_URL}{shop}/"
def split_shop_url(raw_url: str) -> str:
"""从店铺页 URL 中解析出店铺代码
Raises:
InvalidRequestError: 不是 www.rakuten.co.jp 下的店铺页地址
"""
parsed = urlsplit(raw_url)
if parsed.hostname != site.WWW_HOST:
raise InvalidRequestError(f"shop_url 必须是 {site.WWW_HOST} 下的店铺页地址")
segments = [segment for segment in parsed.path.split("/") if segment]
if not segments:
raise InvalidRequestError(f"无法从 shop_url 中解析店铺代码:{raw_url}")
# 排除分类页等非店铺路径,避免把 /category/101205/ 当成店铺代码 category
if segments[0] in _RESERVED_WWW_PATHS:
raise InvalidRequestError(f"shop_url 不是店铺首页地址:{raw_url}")
return segments[0]
def item_url_parts(url: str) -> tuple[str, str]:
"""尽力从任意商品链接中解析 (店铺代码, 商品编号),失败时返回空串
用于搜索结果——广告位链接可能指向跳转域名,解析不出来不应中断整页解析。
"""
try:
parsed = urlparse(url)
except ValueError:
return "", ""
if parsed.hostname != site.ITEM_HOST:
return "", ""
segments = [segment for segment in parsed.path.split("/") if segment]
if len(segments) < 2:
return "", ""
return segments[0], segments[1]