mirror of
https://github.com/guezoloic/millesima_projetS6.git
synced 2026-03-28 19:13:42 +00:00
330 lines
10 KiB
Python
330 lines
10 KiB
Python
from typing import cast
|
|
from requests import HTTPError, Response, Session
|
|
from bs4 import BeautifulSoup, Tag
|
|
from collections import OrderedDict
|
|
from json import JSONDecodeError, loads
|
|
|
|
|
|
class _ScraperData:
|
|
def __init__(self, data: dict[str, object]) -> None:
|
|
self._data: dict[str, object] = data
|
|
|
|
def _getcontent(self) -> dict[str, object] | None:
|
|
"""_summary_
|
|
|
|
Returns:
|
|
dict[str, object]: _description_
|
|
"""
|
|
current_data: dict[str, object] = self._data
|
|
for key in ["initialReduxState", "product", "content"]:
|
|
new_data: object | None = current_data.get(key)
|
|
if new_data is None:
|
|
return None
|
|
current_data: dict[str, object] = cast(dict[str, object], new_data)
|
|
|
|
return current_data
|
|
|
|
def _getattributes(self) -> dict[str, object] | None:
|
|
"""_summary_
|
|
|
|
Returns:
|
|
dict[str, object]: _description_
|
|
"""
|
|
current_data: object = self._getcontent()
|
|
if current_data is None:
|
|
return None
|
|
return cast(dict[str, object], current_data.get("attributes"))
|
|
|
|
def prix(self) -> float | None:
|
|
"""
|
|
Retourne le prix unitaire d'une bouteille (75cl).
|
|
|
|
Si aucun prix n'est disponible, retourne None.
|
|
"""
|
|
|
|
content = self._getcontent()
|
|
if content is None:
|
|
return None
|
|
|
|
items = content.get("items")
|
|
|
|
# Vérifie que items existe et n'est pas vide
|
|
if not isinstance(items, list) or len(items) == 0:
|
|
return None
|
|
|
|
prix_calcule: float | None = None
|
|
|
|
for item in items:
|
|
if not isinstance(item, dict):
|
|
continue
|
|
|
|
p = item.get("offerPrice")
|
|
attrs = item.get("attributes", {})
|
|
|
|
nbunit = attrs.get("nbunit", {}).get("value")
|
|
equivbtl = attrs.get("equivbtl", {}).get("value")
|
|
|
|
if not isinstance(p, (int, float)) or not nbunit or not equivbtl:
|
|
continue
|
|
|
|
nb = float(nbunit)
|
|
eq = float(equivbtl)
|
|
|
|
if nb <= 0 or eq <= 0:
|
|
continue
|
|
|
|
if nb == 1 and eq == 1:
|
|
return float(p)
|
|
|
|
prix_calcule = round(float(p) / (nb * eq), 2)
|
|
|
|
return prix_calcule
|
|
|
|
def appellation(self) -> str | None:
|
|
"""_summary_
|
|
|
|
Returns:
|
|
str: _description_
|
|
"""
|
|
attrs: dict[str, object] | None = self._getattributes()
|
|
|
|
if attrs is not None:
|
|
app_dict: object | None = attrs.get("appellation")
|
|
if isinstance(app_dict, dict):
|
|
return cast(str, app_dict.get("value"))
|
|
return None
|
|
|
|
def _getcritiques(self, name: str) -> str | None:
|
|
"""_summary_
|
|
|
|
Args:
|
|
name (str): _description_
|
|
|
|
Returns:
|
|
str | None: _description_
|
|
"""
|
|
|
|
current_value: dict[str, object] | None = self._getattributes()
|
|
if current_value is not None:
|
|
app_dict: dict[str, object] = cast(
|
|
dict[str, object], current_value.get(name)
|
|
)
|
|
if not app_dict:
|
|
return None
|
|
|
|
val = cast(str, app_dict.get("value")).rstrip("+").split("-")
|
|
if len(val) > 1 and val[1] != "":
|
|
val[0] = str((int(val[0]) + int(val[1])) / 2)
|
|
|
|
return val[0]
|
|
return None
|
|
|
|
def parker(self) -> str | None:
|
|
return self._getcritiques("note_rp")
|
|
|
|
def robinson(self) -> str | None:
|
|
return self._getcritiques("note_jr")
|
|
|
|
def suckling(self) -> str | None:
|
|
return self._getcritiques("note_js")
|
|
|
|
def getdata(self) -> dict[str, object]:
|
|
return self._data
|
|
|
|
def informations(self) -> str:
|
|
"""
|
|
Retourne toutes les informations sous la forme :
|
|
"Appelation,Parker,J.Robinson,J.Suckling,Prix"
|
|
"""
|
|
|
|
appellation = self.appellation()
|
|
parker = self.parker()
|
|
robinson = self.robinson()
|
|
suckling = self.suckling()
|
|
try:
|
|
prix = self.prix()
|
|
except ValueError:
|
|
prix = None
|
|
|
|
return f"{appellation},{parker},{robinson},{suckling},{prix}"
|
|
|
|
|
|
class Scraper:
|
|
"""
|
|
Scraper est une classe qui permet de gerer
|
|
de façon dynamique des requetes uniquement
|
|
sur le serveur https de Millesima
|
|
"""
|
|
|
|
def __init__(self) -> None:
|
|
"""
|
|
Initialise la session de scraping.
|
|
"""
|
|
self._url: str = "https://www.millesima.fr/"
|
|
# Très utile pour éviter de renvoyer toujours les mêmes handshake
|
|
# TCP et d'avoir toujours une connexion constante avec le server
|
|
self._session: Session = Session()
|
|
# Système de cache pour éviter de solliciter le serveur inutilement
|
|
self._latest_request: tuple[(str, Response)] | None = None
|
|
self._latest_soups: OrderedDict[str, BeautifulSoup] = OrderedDict[
|
|
str, BeautifulSoup
|
|
]()
|
|
|
|
def _request(self, subdir: str) -> Response:
|
|
"""
|
|
Effectue une requête GET sur le serveur Millesima.
|
|
|
|
Args:
|
|
subdir (str): Le sous-répertoire ou chemin de l'URL (ex: "/vins").
|
|
|
|
Returns:
|
|
Response: L'objet réponse de la requête.
|
|
|
|
Raise:
|
|
HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
|
|
"""
|
|
target_url: str = self._url + subdir.lstrip("/")
|
|
response: Response = self._session.get(url=target_url, timeout=10)
|
|
response.raise_for_status()
|
|
return response
|
|
|
|
def getresponse(self, subdir: str = "", use_cache: bool = True) -> Response:
|
|
"""
|
|
Récupère la réponse d'une page, en utilisant le cache si possible.
|
|
|
|
Args:
|
|
subdir (str, optional): Le chemin de la page.
|
|
use_cache (bool, optional): Utilise la donnée deja sauvegarder ou
|
|
écrase la donnée utilisé avec la nouvelle
|
|
|
|
Returns:
|
|
Response: L'objet réponse (cache ou nouvelle requête).
|
|
|
|
Raise:
|
|
HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
|
|
"""
|
|
|
|
# si dans le cache, latest_request existe
|
|
if use_cache and self._latest_request is not None:
|
|
rq_subdir, rq_response = self._latest_request
|
|
|
|
# si c'est la meme requete et que use_cache est true,
|
|
# on renvoie celle enregistrer
|
|
if subdir == rq_subdir:
|
|
return rq_response
|
|
|
|
request: Response = self._request(subdir)
|
|
# on recrée la structure pour le systeme de cache si activer
|
|
if use_cache:
|
|
self._latest_request = (subdir, request)
|
|
|
|
return request
|
|
|
|
def getsoup(self, subdir: str, use_cache: bool = True) -> BeautifulSoup:
|
|
"""
|
|
Récupère le contenu HTML d'une page et le transforme en objet BeautifulSoup.
|
|
|
|
Args:
|
|
subdir (str, optional): Le chemin de la page.
|
|
|
|
Returns:
|
|
BeautifulSoup: L'objet parsé pour extraction de données.
|
|
|
|
Raise:
|
|
HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
|
|
"""
|
|
|
|
if use_cache and subdir in self._latest_soups:
|
|
return self._latest_soups[subdir]
|
|
|
|
markup: str = self.getresponse(subdir).text
|
|
soup: BeautifulSoup = BeautifulSoup(markup, features="html.parser")
|
|
|
|
if use_cache:
|
|
self._latest_soups[subdir] = soup
|
|
|
|
if len(self._latest_soups) > 10:
|
|
_ = self._latest_soups.popitem(last=False)
|
|
|
|
return soup
|
|
|
|
def getjsondata(self, subdir: str, id: str = "__NEXT_DATA__") -> _ScraperData:
|
|
"""
|
|
Extrait les données JSON contenues dans la balise __NEXT_DATA__ du site.
|
|
Beaucoup de sites modernes (Next.js) stockent leur état initial dans
|
|
une balise <script> pour l'hydratation côté client.
|
|
|
|
Args:
|
|
subdir (str): Le chemin de la page.
|
|
id (str, optional): L'identifiant de la balise script (par défaut __NEXT_DATA__).
|
|
|
|
Raises:
|
|
HTTPError: Soulevée par `getresponse` si le serveur renvoie un code d'erreur (4xx, 5xx).
|
|
JSONDecodeError: Soulevée par `loads` si le contenu de la balise n'est pas un JSON valide.
|
|
ValueError: Soulevée manuellement si l'une des clés attendues (props, pageProps, etc.)
|
|
est absente de la structure JSON.
|
|
|
|
Returns:
|
|
dict[str, object]: Un dictionnaire contenant les données utiles
|
|
ou un dictionnaire vide en cas d'erreur.
|
|
"""
|
|
soup: BeautifulSoup = self.getsoup(subdir)
|
|
script: Tag | None = soup.find("script", id=id)
|
|
|
|
if script is None or not script.string:
|
|
raise ValueError(f"le script id={id} est introuvable")
|
|
|
|
current_data: object = cast(object, loads(script.string))
|
|
|
|
for key in ["props", "pageProps"]:
|
|
if isinstance(current_data, dict) and key in current_data:
|
|
current_data = cast(object, current_data[key])
|
|
continue
|
|
raise ValueError(f"Clé manquante dans le JSON : {key}")
|
|
|
|
return _ScraperData(cast(dict[str, object], current_data))
|
|
|
|
def _geturlproductslist(self, subdir: str):
|
|
try:
|
|
data: dict[str, object] = self.getjsondata(subdir).getdata()
|
|
|
|
for element in ["initialReduxState", "categ", "content"]:
|
|
data = cast(dict[str, object], data.get(element))
|
|
if data is None or not isinstance(data, dict):
|
|
return None
|
|
|
|
products = data.get("products")
|
|
if isinstance(products, list):
|
|
return products
|
|
except JSONDecodeError | HTTPError:
|
|
return None
|
|
|
|
def getvins(self, subdir: str):
|
|
cache: set[str] = set[str]()
|
|
page = 0
|
|
|
|
while True:
|
|
page += 1
|
|
products_list = self._geturlproductslist(f"{subdir}?page={page}")
|
|
|
|
print(f"---- {page} ----")
|
|
if not products_list:
|
|
break
|
|
|
|
for product in products_list:
|
|
if not isinstance(product, dict):
|
|
continue
|
|
|
|
link = product.get("seoKeyword")
|
|
|
|
if link and link not in cache:
|
|
try:
|
|
infos = self.getjsondata(link).informations()
|
|
print(infos)
|
|
cache.add(link)
|
|
except JSONDecodeError | HTTPError as e:
|
|
print(f"Erreur sur le produit {link}: {e}")
|
|
|
|
|
|
# Scraper().getvins("bordeaux.html")
|