rakuten-api/app/scraping/parsers/rakuma/search.py

"""ラクマ 搜索页 / 店铺商品列表 HTML → 商品列表

搜索页与店铺页的商品卡片是同一套 `.item-box` 结构（只有链接的 class 前缀
不同：搜索页 link_search_image、店铺页 link_shop_image），因此共用一个卡片
解析函数。

页面上的可见总数是四舍五入的展示值（約1,190,000件），精确值在埋点属性
`data-rat-cp-totalresults` 上，优先取后者。
"""
from __future__ import annotations

import re

from selectolax.parser import HTMLParser, Node

from app.scraping.core import rakuma_site as site
from app.shared.errors import ScrapeParseError
from app.scraping.models.scrape import RakumaSearchItem, RakumaSearchResultData
from app.scraping.parsers.rakuma.base import (
    attr,
    event_payload,
    image_url,
    node_text,
    parse_int,
    parse_total_count,
)
from app.scraping.utils.rakuma_urls import item_id_from_url

# 埋点属性里的精确命中总数
_TOTAL_RESULTS_RE = re.compile(r'data-rat-cp-totalresults="(\d+)"')


def _as_str(value: object) -> str:
    """埋点 JSON 里的值可能是数字、字符串或 null，统一收敛为字符串"""
    if value is None or isinstance(value, bool):
        return ""
    if isinstance(value, (int, float)):
        return str(int(value))
    return value.strip() if isinstance(value, str) else ""


def parse_item_card(card: Node) -> RakumaSearchItem:
    """解析一张商品卡片

    优先从埋点 JSON 取结构化字段（数值 ID、分类、品牌、价格），
    可见 DOM 只用于取图片与售罄标记。
    """
    link = (
        card.css_first("a.link_search_image")
        or card.css_first("a.link_shop_image")
        or card.css_first("a[href*='item.fril.jp']")
    )
    payload = event_payload(link)

    item_url = attr(link, "href")
    category_names = [
        name
        for name in (
            _as_str(payload.get("first_category")),
            _as_str(payload.get("second_category")),
            _as_str(payload.get("third_category")),
        )
        if name
    ]

    # 价格优先取埋点里的数值，回退到卡片上的展示价
    price = parse_int(payload.get("price")) or parse_int(
        node_text(card.css_first(".item-box__item-price"))
    )

    return RakumaSearchItem(
        item_id=item_id_from_url(item_url),
        item_number=_as_str(payload.get("item_id")),
        item_name=_as_str(payload.get("item_name"))
        or node_text(card.css_first(".item-box__item-name, .item-box__item-name__limited-three-lines")),
        item_url=item_url,
        price=price,
        image_url=image_url(card.css_first("img")),
        is_sold_out=card.css_first(".item-box__soldout_ribbon") is not None,
        brand_id=_as_str(payload.get("brand_id")),
        brand_name=_as_str(payload.get("brand_name"))
        or node_text(card.css_first(".item-box__item-sub-name")),
        category_id=_as_str(payload.get("category_id")),
        category_names=category_names,
        seller_user_id=_as_str(payload.get("seller_user_id")),
        seller_type=_as_str(payload.get("seller_user_type")),
    )


def parse_item_cards(tree: HTMLParser) -> list[RakumaSearchItem]:
    """解析页面上的全部商品卡片

    只取有真实商品链接的卡片：页面上还有一批用于占位的骨架卡片
    （懒加载的推荐位），它们没有 item.fril.jp 链接。
    """
    items: list[RakumaSearchItem] = []
    for card in tree.css(".item-box"):
        link = card.css_first("a[href*='item.fril.jp']")
        if link is None:
            continue
        items.append(parse_item_card(card))
    return items


def parse_search(html: str, *, request_url: str, page: int, keyword: str) -> RakumaSearchResultData:
    """把搜索页 HTML 解析为搜索结果

    Raises:
        ScrapeParseError: 页面不是搜索结果页（站点对无法识别的参数值会静默返回首页）
    """
    tree = HTMLParser(html)
    count_node = tree.css_first(f".{site.SEARCH_PAGE_MARKER}")
    if count_node is None:
        raise ScrapeParseError(
            "页面不是搜索结果页（缺少命中数区块）；"
            "站点对无法识别的筛选取值会静默返回首页，请检查筛选参数"
        )

    items = parse_item_cards(tree)

    # 展示值是四舍五入过的（約1,190,000件），埋点里才是精确命中数
    display_total, start, end = parse_total_count(node_text(count_node))
    match = _TOTAL_RESULTS_RE.search(html)
    total_count = int(match.group(1)) if match else display_total

    return RakumaSearchResultData(
        keyword=keyword,
        page=page,
        page_size=len(items),
        total_count=total_count,
        # 站点 page>100 直接 404，超出可达窗口时没有下一页
        has_more=bool(items) and page < site.MAX_PAGE and (end or start + len(items) - 1) < total_count,
        request_url=request_url,
        items=items,
    )