metalfrom.eu/apps/crawler/src/main.py
Nicolas FRYDER aa4ef68dd8 fix(crawler): boucle de ré-enrichissement infinie, politesse et résilience
Le trigger bands_set_geom (migration 002) faisait `NEW.updated_at := now()`
sans condition. Or upsert_bands exécute un `ON CONFLICT DO UPDATE` sans clause
WHERE : Postgres déclenche donc le trigger pour chaque ligne vue, même quand
aucune valeur ne change. get_bands_to_enrich filtrant sur
`updated_at > crawled_at + 1 min`, la table entière redevenait « à enrichir »
après chaque crawl — le crawler repartait indéfiniment chercher des pages
inchangées sur Metal Archives.

La migration 016 ne bumpe plus updated_at que sur changement réel de la ligne.
La 017 introduit alors le signal manquant : quand MA modifie un groupe sur un
champ visible seulement sur sa page (line-up, albums), le listing ne montre
aucun diff. Le crawler capture donc l'horodatage "modified" affiché par MA
lui-même et lève enrich_pending quand ce texte change — une fois par
modification, sans boucle.

Autres correctifs :

- claim_job_trigger() réclamait n'importe quel trigger en attente. Le crawler
  raflait donc les 'geocoder_enqueue', qu'il ne sait pas exécuter, et les
  refermait en « job_type inconnu » — selon lequel des deux daemons
  interrogeait la table en premier. Borné aux CRAWLER_JOB_TYPES.
- run_enrich sautait la politesse après un échec, via un `continue` placé
  avant le sleep. Un échec de get_html étant le plus souvent un 403/429,
  c'était le pire moment pour enchaîner sans délai.
- FlareSolverrError n'était rattrapée nulle part : un blip réseau ou un crash
  du Chrome headless faisait perdre le run entier.
- La boucle du scheduler n'isolait aucune exception : une panne DB transitoire
  tuait le process, que restart: unless-stopped relançait en crash-loop.
- recover_stuck_runs() referme au démarrage les runs laissés en 'running' par
  une instance tuée brutalement.
- full_crawl publie sa progression et respire entre deux pays.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
2026-08-20 16:43:48 +02:00

196 lines
7 KiB
Python

"""
Point d'entrée du crawler. Lance le scheduler et exécute les jobs périodiques.
Jobs :
- Toutes les SCHED_INCREMENTAL_H heures : crawl incrémental (additions + modifications)
- Toutes les SCHED_ENRICH_H heures : enrichissement des bands non enrichies
- Filet de sécurité (calcul glissant) : crawl complet Europe si plus de
CRAWLER_FULL_CRAWL_INTERVAL_DAYS jours depuis le dernier (checkpoint
last_full_crawl_at), vérifié chaque jour à 03:00 UTC + au démarrage
Variables d'env :
DATABASE_URL (obligatoire)
FLARESOLVERR_URL (défaut: http://flaresolverr:8191)
CRAWLER_SCHED_INCREMENTAL_H (défaut: 4)
CRAWLER_SCHED_ENRICH_H (défaut: 1)
CRAWLER_FULL_CRAWL_INTERVAL_DAYS (défaut: 60, mettre 0 pour désactiver)
"""
import logging
import sys
import time
from datetime import UTC, datetime
import schedule
from .config import (
ENRICH_LIMIT,
FLARESOLVERR_URL,
FS_TIMEOUT_MS,
FULL_CRAWL_INTERVAL_DAYS,
SCHED_ENRICH_H,
SCHED_INCREMENTAL_H,
)
from .db import claim_job_trigger, finish_job_trigger, get_checkpoint, recover_stuck_runs
from .flaresolverr import FlareSolverr
from .health import database_probe, freshness_probe, http_probe, maybe_run
from .jobs import run_enrich, run_full_crawl, run_incremental
from .ma_http import MASession
logging.basicConfig(
level=logging.INFO,
format="%(asctime)s %(levelname)s %(message)s",
datefmt="%Y-%m-%dT%H:%M:%S",
stream=sys.stdout,
)
log = logging.getLogger(__name__)
def _wait_flaresolverr(fs: FlareSolverr, max_wait: int = 120):
log.info("[main] waiting for FlareSolverr...")
for _ in range(max_wait // 5):
if fs.healthy():
log.info("[main] FlareSolverr is up")
return
time.sleep(5)
raise RuntimeError("FlareSolverr not reachable after timeout")
def _safe(label: str, fn):
"""Exécute un job en isolant toute exception.
Un job qui plante ne doit jamais tuer le process : `restart: unless-stopped`
le relancerait en boucle, et une panne DB transitoire suffirait à mettre le
crawler en crash-loop au lieu de le faire attendre le cycle suivant.
"""
try:
fn()
except Exception as e:
log.error(f"[main] job '{label}' a échoué (ignoré, on continue): {e}", exc_info=True)
def main():
log.info("[main] crawler starting")
# Runs/jobs laissés en 'running' par une instance précédente tuée brutalement
# (OOM, SIGKILL) : ils ne peuvent pas appartenir à ce process, on les referme.
_safe("recover_stuck_runs", recover_stuck_runs)
fs = FlareSolverr(FLARESOLVERR_URL, timeout_ms=FS_TIMEOUT_MS)
_wait_flaresolverr(fs)
ma = MASession(fs)
# ------------------------------------------------------------------
# Helpers pour lancer les jobs avec log
# ------------------------------------------------------------------
def job_incremental():
log.info("[scheduler] → incremental additions")
run_incremental(ma, "created")
log.info("[scheduler] → incremental modifications")
run_incremental(ma, "modified")
def job_enrich():
log.info("[scheduler] → enrich")
run_enrich(ma, limit=ENRICH_LIMIT)
def job_full():
if not FULL_CRAWL_INTERVAL_DAYS:
return
last = get_checkpoint("last_full_crawl_at")
if last:
try:
last_dt = datetime.strptime(last, "%Y-%m-%d").replace(tzinfo=UTC)
elapsed_days = (datetime.now(UTC) - last_dt).days
if elapsed_days < FULL_CRAWL_INTERVAL_DAYS:
return
except ValueError:
pass # checkpoint mal formé, on relance par sécurité
log.info(f"[scheduler] → full Europe crawl (filet {FULL_CRAWL_INTERVAL_DAYS}j écoulé)")
run_full_crawl(ma)
# ------------------------------------------------------------------
# Planification
# ------------------------------------------------------------------
if SCHED_INCREMENTAL_H > 0:
schedule.every(SCHED_INCREMENTAL_H).hours.do(job_incremental)
log.info(f"[main] incremental scheduled every {SCHED_INCREMENTAL_H}h")
if SCHED_ENRICH_H > 0:
schedule.every(SCHED_ENRICH_H).hours.do(job_enrich)
log.info(f"[main] enrich scheduled every {SCHED_ENRICH_H}h")
if FULL_CRAWL_INTERVAL_DAYS > 0:
# Vérifié chaque jour à 03:00 UTC ; ne se déclenche que si l'intervalle est écoulé
schedule.every().day.at("03:00").do(job_full)
log.info(f"[main] full crawl: filet de {FULL_CRAWL_INTERVAL_DAYS}j, vérifié chaque jour à 03:00 UTC")
# Premier run au démarrage (job_full rattrape un redémarrage qui aurait loupé la fenêtre)
log.info("[main] running initial jobs at startup")
_safe("incremental", job_incremental)
_safe("enrich", job_enrich)
_safe("full", job_full)
log.info("[main] entering scheduler loop")
while True:
_safe("run_pending", schedule.run_pending)
_safe("check_job_triggers", lambda: _check_job_triggers(ma))
_safe("check_health", _check_health)
time.sleep(60)
def _check_health():
"""Contrôle horaire : base joignable, FlareSolverr joignable, données fraîches."""
import requests
from .config import FLARESOLVERR_URL
from .db import get_conn, log_event
maybe_run(
get_conn,
"crawler",
[
("database", database_probe(get_conn)),
# FlareSolverr est indispensable au crawl : injoignable, plus aucune
# page de Metal Archives n'est récupérable.
("flaresolverr", http_probe(requests.get, f"{FLARESOLVERR_URL}/health")),
# Le crawl incrémental tourne toutes les 4 h : au-delà de 12 h sans
# nouveau groupe vu, quelque chose est bloqué en amont.
("fraicheur_donnees", freshness_probe(
get_conn,
"SELECT max(started_at) FROM crawl_run WHERE status = 'done'",
12, "dernier run terminé")),
],
log_event=lambda lvl, msg: log_event(lvl, msg),
)
def _check_job_triggers(ma: "MASession"):
"""Consomme les job_triggers en attente créés depuis l'admin."""
result = claim_job_trigger()
if not result:
return
trigger_id, job_type = result
log.info(f"[main] job trigger #{trigger_id}: {job_type}")
error = None
try:
if job_type == "enrich":
run_enrich(ma, limit=ENRICH_LIMIT)
elif job_type == "incremental":
run_incremental(ma, "created")
run_incremental(ma, "modified")
elif job_type == "full_crawl":
run_full_crawl(ma)
else:
error = f"job_type inconnu: {job_type}"
log.warning(f"[main] {error}")
except Exception as e:
error = str(e)
log.error(f"[main] job trigger #{trigger_id} error: {e}", exc_info=True)
finally:
finish_job_trigger(trigger_id, error)
if __name__ == "__main__":
main()