# ================================================================= # 🛒 Extra.com → VortexCommerce | Full Product Scraper # ================================================================= import asyncio, re, os, uuid, sqlite3, logging, zipfile, random, json, requests, time from datetime import datetime, timezone from typing import List, Optional, Dict, Any # Kaggle Notebook - ملف واحد شامل: # ✅ جلب المنتجات من extra.com (EN + AR) # ✅ زيارة صفحة كل منتج للحصول على: # - عدة صور حقيقية (Image Gallery) # - المواصفات التفصيلية (Specs) # - الاسم بالعربية والإنجليزية # - التقييم وعدد المراجعات # ✅ تصدير JSON بهيكلة VortexCommerce # ================================================================= # ================= CONFIGURATION ================= CATEGORIES_TO_SCRAPE = { "smartphones": "/en-sa/mobiles-tablets/mobiles/smartphone/c/2-212-3/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "laptops": "/en-sa/computer/laptops/c/3-303/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "tablets": "/en-sa/mobiles-tablets/tablets/c/2-217/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "tvs": "/en-sa/electronics/television/c/1-109/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "headphones": "/en-sa/mobiles-tablets/portable-audio/c/2-623/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "smartwatches": "/en-sa/smart-watches/c/8126/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "gaming": "/en-sa/electronic-games/c/13/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "small_appliances": "/en-sa/small-appliances/c/5/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "large_appliances": "/en-sa/white-goods/c/4/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", "cameras": "/en-sa/computer/cameras/c/3-603/facet/?q=%3Arelevance%3AinStock%3Atrue%3Atype%3APRODUCT&text=&pg={page}&pageSize=24&sort=relevance", } TARGET_PRODUCTS_PER_CATEGORY = 100 # Default target per category DATABASE_NAME = "extra_catalog.db" # للمزامنة المباشرة مع PostgreSQL (Supabase): # SUPABASE_DATABASE_URL = "postgresql://user:pass@host:port/dbname" DATABASE_URL = os.environ.get("DATABASE_URL", None) # ================================================= # ----------------------------------------------- # 1. تثبيت Playwright # ----------------------------------------------- try: import playwright except ImportError: print("📦 Installing Playwright & Dependencies...") !pip install playwright !playwright install chromium !playwright install-deps from playwright.async_api import async_playwright logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') logger = logging.getLogger("ExtraScraper") # ----------------------------------------------- # 2. الثوابت والهيكلية الاحترافية (Professional Hierarchy) # ----------------------------------------------- # الفئات الأساسية والفرعية مطابقة لتوزيع اكسترا وتصميم VortexCommerce CATEGORIES_HIERARCHY = { "الأجهزة الإلكترونية": { "en": "Electronics", "icon": "📱", "subs": { "smartphones": {"en": "Smartphones", "ar": "جوالات"}, "laptops": {"en": "Laptops", "ar": "لابتوب"}, "tablets": {"en": "Tablets", "ar": "أجهزة لوحية"}, "tvs": {"en": "TVs", "ar": "تلفزيونات"}, "cameras": {"en": "Cameras", "ar": "كاميرات"}, "printers": {"en": "Printers", "ar": "طابعات"} } }, "ملحقات واكسسوارات": { "en": "Accessories", "icon": "🔌", "subs": { "headphones": {"en": "Audio & Headphones", "ar": "أجهزة الصوت والسماعات"}, "smartwatches": {"en": "Smartwatches", "ar": "ساعات ذكية"} } }, "ألعاب جيمنج": { "en": "Gaming", "icon": "🎮", "subs": { "gaming": {"en": "Gaming Consoles", "ar": "أجهزة ألعاب"} } }, "الأجهزة المنزلية": { "en": "Home Appliances", "icon": "🏠", "subs": { "refrigerators": {"en": "Refrigerators", "ar": "ثلاجات"}, "washing-machines": {"en": "Washing Machines", "ar": "غسالات ومجففات"}, "air-conditioners": {"en": "Air Conditioners", "ar": "مكيفات"}, "small_appliances": {"en": "Small Appliances", "ar": "أجهزة منزلية صغيرة"}, "large_appliances": {"en": "Large Appliances", "ar": "أجهزة منزلية كبيرة"} } } } # Reverse map for quick parent lookup based on scraped category key EXTRA_CAT_TO_PARENT = {} for p_ar, info in CATEGORIES_HIERARCHY.items(): for sub_key in info["subs"].keys(): EXTRA_CAT_TO_PARENT[sub_key] = p_ar KNOWN_BRANDS = [ 'Apple', 'Samsung', 'Huawei', 'Xiaomi', 'Honor', 'Sony', 'HP', 'Dell', 'Lenovo', 'Asus', 'Acer', 'Microsoft', 'Nikon', 'Canon', 'Bose', 'Logitech', 'LG', 'Panasonic', 'Philips', 'Dyson', 'Bosch', 'Hisense', 'TCL', 'Class Pro', 'JBL', 'Anker', 'Oppo', 'Motorola', 'Tecno', 'Nokia', 'Google', 'Nothing', 'Realme', 'MSI', 'Razer', 'SteelSeries', 'HyperX', 'Corsair', 'PlayStation', 'Xbox', 'Nintendo', 'GoPro', 'DJI', 'Fujifilm', 'Garmin', 'Fitbit', 'Amazfit', 'Beats', 'Sennheiser', 'Jabra', 'Marshall', 'Harman Kardon', 'BISSELL', 'Gree', 'Haier', 'Midea', 'Toshiba', 'Whirlpool', 'Electrolux', 'Braun', 'Tefal', 'Kenwood', 'Moulinex', 'Black+Decker', 'Infinix', 'REDMI', 'POCO', 'OnePlus', 'EPSON', 'Brother', 'Skyworth', 'ASUS ROG', 'Bang & Olufsen', ] COLOR_MAP = { 'Black': 'أسود', 'White': 'أبيض', 'Silver': 'فضي', 'Gold': 'ذهبي', 'Blue': 'أزرق', 'Red': 'أحمر', 'Green': 'أخضر', 'Grey': 'رمادي', 'Gray': 'رمادي', 'Titanium': 'تيتانيوم', 'Purple': 'أرجواني', 'Pink': 'وردي', 'Orange': 'برتقالي', 'Yellow': 'أصفر', 'Rose Gold': 'ذهبي وردي', 'Space Gray': 'رمادي فلكي', 'Midnight': 'منتصف الليل', 'Starlight': 'ستارلايت', 'Cream': 'كريمي', 'Lavender': 'لافندر', 'Mint': 'نعناعي', 'Graphite': 'رصاصي غامق', 'Burgundy': 'عنابي', 'Navy': 'كحلي', 'Cobalt': 'كوبالت', 'Coral': 'مرجاني', 'Icyblue': 'أزرق ثلجي', 'Glacier Silver': 'فضي جليدي', 'Sky Blue': 'أزرق سماوي', } BRAND_AR = { 'Apple': 'آبل', 'Samsung': 'سامسونج', 'Huawei': 'هواوي', 'Xiaomi': 'شاومي', 'Honor': 'هونر', 'Sony': 'سوني', 'HP': 'إتش بي', 'Dell': 'ديل', 'Lenovo': 'لينوفو', 'Asus': 'أسوس', 'Acer': 'أيسر', 'Microsoft': 'مايكروسوفت', 'LG': 'إل جي', 'Panasonic': 'باناسونيك', 'Philips': 'فيلبس', 'Dyson': 'دايسون', 'Bosch': 'بوش', 'Canon': 'كانون', 'Nikon': 'نيكون', 'JBL': 'جي بي إل', 'Bose': 'بوز', 'Logitech': 'لوجيتيك', 'Oppo': 'أوبو', 'Motorola': 'موتورولا', 'Nokia': 'نوكيا', 'Google': 'جوجل', 'Beats': 'بيتس', 'Garmin': 'جارمين', 'Hisense': 'هايسنس', 'TCL': 'تي سي إل', 'PlayStation': 'بلايستيشن', 'Xbox': 'إكس بوكس', 'Nintendo': 'نينتندو', 'Tecno': 'تكنو', 'Infinix': 'إنفينيكس', 'Realme': 'ريلمي', 'Class Pro': 'كلاس برو', 'GoPro': 'جو برو', 'DJI': 'دي جي آي', 'MSI': 'إم إس آي', 'Razer': 'ريزر', 'Nothing': 'ناثينق', } # ----------------------------------------------- # 3. قاعدة البيانات # ----------------------------------------------- class Database: def __init__(self, path_or_url): self.is_pg = "postgresql" in path_or_url if path_or_url else False self.path_or_url = path_or_url or DATABASE_NAME if self.is_pg: try: import psycopg2 self.conn = psycopg2.connect(self.path_or_url) self.placeholder = "%s" except ImportError: print("📦 Installing psycopg2...") import subprocess subprocess.check_call(["pip", "install", "psycopg2-binary"]) import psycopg2 self.conn = psycopg2.connect(self.path_or_url) self.placeholder = "%s" else: self.conn = sqlite3.connect(self.path_or_url) self.placeholder = "?" self._ensure_tables() def _ensure_tables(self): cursor = self.conn.cursor() create_sql = f'''CREATE TABLE IF NOT EXISTS products ( id TEXT PRIMARY KEY, pid TEXT UNIQUE, title_en TEXT NOT NULL, title_ar TEXT, description_en TEXT, description_ar TEXT, price REAL NOT NULL, old_price REAL, currency TEXT DEFAULT 'SAR', images TEXT, product_url TEXT, category TEXT NOT NULL, brand TEXT, specs TEXT, rating REAL, rating_count INTEGER, created_at TEXT)''' cursor.execute(create_sql) self.conn.commit() def save_products(self, products): cursor = self.conn.cursor() saved = 0 for p in products: try: now = datetime.now(timezone.utc).isoformat() pid = p.get('pid') images_json = json.dumps(p.get('images', []), ensure_ascii=False) specs_json = json.dumps(p.get('specs', {}), ensure_ascii=False) cursor.execute(f"SELECT id FROM products WHERE pid = {self.placeholder}", (pid,)) existing = cursor.fetchone() if existing: cursor.execute(f'''UPDATE products SET title_en={self.placeholder}, title_ar={self.placeholder}, description_en={self.placeholder}, description_ar={self.placeholder}, price={self.placeholder}, old_price={self.placeholder}, images={self.placeholder}, product_url={self.placeholder}, brand={self.placeholder}, specs={self.placeholder}, rating={self.placeholder}, rating_count={self.placeholder} WHERE id={self.placeholder}''', (p['title_en'], p.get('title_ar',''), p.get('description_en',''), p.get('description_ar',''), p['price'], p.get('old_price'), images_json, p['product_url'], p.get('brand'), specs_json, p.get('rating'), p.get('rating_count'), existing[0])) else: cursor.execute(f'''INSERT INTO products ( id, pid, title_en, title_ar, description_en, description_ar, price, old_price, currency, images, product_url, category, brand, specs, rating, rating_count, created_at) VALUES ({self.placeholder},{self.placeholder},{self.placeholder},{self.placeholder}, {self.placeholder},{self.placeholder},{self.placeholder},{self.placeholder}, {self.placeholder},{self.placeholder},{self.placeholder},{self.placeholder}, {self.placeholder},{self.placeholder},{self.placeholder},{self.placeholder},{self.placeholder})''', (str(uuid.uuid4()), pid, p['title_en'], p.get('title_ar',''), p.get('description_en',''), p.get('description_ar',''), p['price'], p.get('old_price'), 'SAR', images_json, p['product_url'], p['category'], p.get('brand'), specs_json, p.get('rating'), p.get('rating_count'), now)) saved += 1 except Exception as e: logger.error(f"Error saving {p.get('title_en','?')}: {e}") self.conn.commit() return saved def close(self): self.conn.close() # ----------------------------------------------- # 4. السكرابر الرئيسي # ----------------------------------------------- # الاستراتيجية: # خطوة 1: جلب قائمة المنتجات من صفحة الفئة (PID + URL + السعر) # خطوة 2: زيارة كل صفحة منتج EN لجلب (العنوان EN + الصور + المواصفات) # خطوة 3: زيارة نفس المنتج AR لجلب (العنوان AR + الوصف AR + المواصفات AR) # ----------------------------------------------- # === JavaScript لاستخراج قائمة المنتجات من صفحة الفئة === LISTING_JS = r'''() => { const products = []; const seenPids = new Set(); // المحدد الأساسي المؤكد: a.product-tile-content-wrapper[data-product-id] const cards = document.querySelectorAll('a.product-tile-content-wrapper, [data-product-id]'); cards.forEach(card => { try { const pid = card.getAttribute('data-product-id') || card.getAttribute('data-sku') || ''; if (!pid || seenPids.has(pid)) return; seenPids.add(pid); let url = ''; if (card.tagName === 'A') url = card.href || ''; else { const a = card.querySelector('a[href*="/p/"]'); url = a ? a.href : ''; } if (!url || !url.includes('/p/')) return; // السعر: .price-container strong let price = 0, oldPrice = 0; const priceContainers = card.querySelectorAll('.price-container, [class*="price"]'); priceContainers.forEach(pc => { pc.querySelectorAll('strong').forEach(s => { const val = parseFloat((s.textContent || '').replace(/[^0-9.]/g, '')); if (val > 0 && price === 0) price = val; }); }); const striked = card.querySelector('.striked-off, [class*="striked"], del, s'); if (striked) { const val = parseFloat((striked.textContent || '').replace(/[^0-9.]/g, '')); if (val > 0) oldPrice = val; } if (price === 0) { const allText = card.textContent || ''; const m = allText.match(/(\d[\d,]*\.?\d*)\s*(?:SAR|ر\.س)/); if (m) price = parseFloat(m[1].replace(/,/g, '')); } if (price <= 0) return; if (oldPrice > 0 && oldPrice < price) [price, oldPrice] = [oldPrice, price]; // العلامة التجارية let brand = ''; const brandEl = card.querySelector('[class*="brand"]'); if (brandEl) brand = brandEl.textContent.trim(); if (!brand) { const bm = (card.textContent || '').match(/^[\s\n]*([A-Z][A-Z\s]+)\s*•/); if (bm) brand = bm[1].trim(); } products.push({ pid, product_url: url, price, old_price: oldPrice || null, brand }); } catch(e) {} }); // Fallback: بحث في الروابط if (products.length === 0) { document.querySelectorAll('a[href*="/p/"]').forEach(link => { const pidM = link.href.match(/\/p\/([A-Z0-9]+)/); if (!pidM || seenPids.has(pidM[1])) return; seenPids.add(pidM[1]); const parent = link.closest('li, [class*="product"], [class*="tile"]') || link.parentElement; let price = 0; const t = (parent?.textContent || ''); const pm = t.match(/(\d{3,6})/); if (pm) price = parseInt(pm[1]); if (price > 0) { products.push({ pid: pidM[1], product_url: link.href, price, old_price: null, brand: '' }); } }); } return products; }''' # === JavaScript لاستخراج التفاصيل من صفحة المنتج الإنجليزية === DETAIL_EN_JS = r'''() => { const result = { title: '', description: '', images: [], specs: {}, rating: 0, rating_count: 0, brand: '', variants: [], categories: [] }; // 0. استخراج الأقسام من Breadcrumbs أو URL const paths = window.location.pathname.split('/').filter(p => p && p !== 'en-sa' && p !== 'p'); result.categories = paths.slice(0, 3); // 1. JSON-LD - المصدر الأغنى بالبيانات (العنوان، الوصف، البراند، المواصفات، التقييم) document.querySelectorAll('script[type="application/ld+json"]').forEach(script => { try { const data = JSON.parse(script.textContent); if (data['@type'] === 'Product') { result.title = data.name || ''; result.description = data.description || ''; result.brand = data.brand?.name || ''; if (data.additionalProperty) { data.additionalProperty.forEach(prop => { if (prop.name && prop.value) { result.specs[prop.name] = prop.value; } }); } if (data.aggregateRating) { result.rating = parseFloat(data.aggregateRating.ratingValue) || 0; result.rating_count = parseInt(data.aggregateRating.reviewCount || data.aggregateRating.ratingCount) || 0; } } } catch(e) {} }); // 2. Fallback: H1 للعنوان if (!result.title) { const h1 = document.querySelector('h1'); if (h1) result.title = h1.textContent.trim(); } // 3. الصور: نعتمد على Python-side probing بدلاً من DOM scraping // لأن الصور lazy-loaded وغير موجودة كلها في DOM // سنترك images فارغة وسيتم ملؤها من Python عبر PID pattern result.images = []; // 4. استخراج الخيارات (Variants) const variantContainers = document.querySelectorAll('.same-sku-container, [class*="variant"], [class*="sku-container"]'); variantContainers.forEach(container => { const label = (container.querySelector('[class*="title"], [class*="label"]')?.textContent || '').trim(); const options = container.querySelectorAll('.tag, [class*="option"], [class*="item"]'); options.forEach(opt => { const name = (opt.querySelector('.text, [class*="value"]')?.textContent || opt.textContent || '').trim(); if (name) { result.variants.push({ type: label || 'Option', name: name, selected: opt.classList.contains('selected') || opt.getAttribute('aria-selected') === 'true' }); } }); }); if (result.variants.length === 0) { const storageSpec = result.specs['Memory (internal)'] || result.specs['Storage']; if (storageSpec) { result.variants.push({ type: 'Storage', name: storageSpec, selected: true }); } } return result; }''' # === JavaScript لاستخراج العنوان والوصف والمواصفات العربية === DETAIL_AR_JS = r'''() => { const result = { title_ar: '', description_ar: '', specs_ar: {}, variants_ar: [] }; // JSON-LD بالعربي document.querySelectorAll('script[type="application/ld+json"]').forEach(script => { try { const data = JSON.parse(script.textContent); if (data['@type'] === 'Product') { result.title_ar = data.name || ''; result.description_ar = data.description || ''; if (data.additionalProperty) { data.additionalProperty.forEach(prop => { if (prop.name && prop.value) { result.specs_ar[prop.name] = prop.value; } }); } } } catch(e) {} }); // استخراج الخيارات بالعربي const variantContainers = document.querySelectorAll('.same-sku-container, [class*="variant"]'); variantContainers.forEach(container => { const label = (container.querySelector('[class*="title"], [class*="label"]')?.textContent || '').trim(); const options = container.querySelectorAll('.tag, [class*="option"]'); options.forEach(opt => { const name = (opt.querySelector('.text, [class*="value"]')?.textContent || opt.textContent || '').trim(); if (name) { result.variants_ar.push({ type: label || 'خيار', name: name, selected: opt.classList.contains('selected') }); } }); }); // Fallback: H1 if (!result.title_ar) { const h1 = document.querySelector('h1'); if (h1) result.title_ar = h1.textContent.trim(); } return result; }''' class ExtraScraper: async def _go_safe(self, page, url, retries=3): """تحميل صفحة مع إعادة المحاولة""" for attempt in range(retries): try: await page.goto(url, wait_until="domcontentloaded", timeout=45000) return True except Exception as e: logger.warning(f"⚠️ Attempt {attempt+1} for {url[:80]}...: {e}") await asyncio.sleep(2) return False async def scrape_listing(self, page, category_key, url_template, target_count, current_total=0): """الخطوة 1: جلب PIDs والأسعار من صفحات القوائم بشكل ذكي""" listing = [] p_num = 0 while len(listing) < target_count: target = f"https://www.extra.com{url_template.format(page=p_num)}" logger.info(f"📃 [{category_key}] Listing page {p_num + 1} (Found: {len(listing)}/{target_count})") if not await self._go_safe(page, target): break await page.wait_for_timeout(3000) for y in [800, 2000, 4000]: await page.evaluate(f"window.scrollTo(0, {y})") await page.wait_for_timeout(200) items = await page.evaluate(LISTING_JS) if not items: logger.warning(f"⚠️ No products on page {p_num+1}, stopping category") break # إضافة المنتجات الجديدة التي لم نتجاوز بها الحد المطلوب for it in items: if len(listing) < target_count: it['category'] = category_key listing.append(it) else: break logger.info(f" ✅ {len(items)} products on this page | Total for category: {len(listing)}") p_num += 1 await asyncio.sleep(random.uniform(0.5, 1.5)) # إذا لم نحصل على أي منتجات جديدة أو عدد قليل جداً قد يعني نهاية الأقسام if len(items) < 5: break return listing # أنماط URL المتعددة التي يستخدمها media.extra.com # استخدام fmt=png لضمان التوافق مع Meta Catalog و Snapchat Catalog IMAGE_URL_PATTERNS = [ "https://media.extra.com/i/aurora/{pid}_100_{nn}?fmt=png&w=800", # النمط الأساسي (الأكثر شيوعاً) "https://media.extra.com/i/aurora/{pid}_{nn}?fmt=png&w=800", # نمط بديل بدون _100_ "https://media.extra.com/i/aurora/{pid}-{nn}?fmt=png&w=800", # نمط بديل بشرطة ] # حجم placeholder المعروف من extra.com (يُرجع 200 OK مع صورة بديلة "الصورة غير متوفرة") # حجم الـ placeholder المكتشف بدقة هو 12.6 kB (حوالي 12600 إلى 12750 بايت) PLACEHOLDER_SIZE_WINDOW = (12500, 12850) def _check_image_real(self, url, headers, session): """فحص صورة واحدة: هل هي حقيقية أم placeholder؟ يستخدم GET+stream بدل HEAD لضمان الحصول على Content-Length. يقرأ أول chunk لتحديد الحجم الحقيقي إذا لم يوجد Content-Length. """ try: response = session.get(url, headers=headers, timeout=8, allow_redirects=True, stream=True) if response.status_code != 200: response.close() return None, 0 # محاولة الحصول على الحجم من الهيدر size = int(response.headers.get('Content-Length', 0)) if size == 0: # Content-Length غائب → نقرأ أول 32KB لتحديد الحجم chunk = response.content[:32768] if not response.headers.get('Transfer-Encoding') else b'' if not chunk: # لو Transfer-Encoding: chunked، نقرأ الكل chunk = b'' for part in response.iter_content(chunk_size=8192): chunk += part if len(chunk) > 32768: break size = len(chunk) response.close() else: response.close() return url, size except Exception: return None, 0 def _discover_images_by_pid(self, pid): """اكتشاف صور المنتج عبر أنماط URL متعددة مع حماية من Rate Limiting التحسينات: 1. GET+stream بدل HEAD → يضمن Content-Length أو يقرأ الحقيقي 2. أنماط URL متعددة كـ fallback 3. delay بين الطلبات لتجنب Rate Limiting على Kaggle 4. حد فشل أعلى (5 بدل 3) 5. كشف placeholder عبر الحجم الثابت المعروف """ headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36", "Accept": "image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8", "Referer": "https://www.extra.com/" } max_probe = 25 max_images = 20 max_consecutive_fail = 5 # رفع الحد من 3 إلى 5 # إنشاء session لإعادة استخدام الاتصال (أسرع + أقل rate limiting) session = requests.Session() session.headers.update(headers) # تجربة كل نمط URL حتى نجد صوراً for pattern in self.IMAGE_URL_PATTERNS: valid_images = [] consecutive_failures = 0 last_sizes = [] placeholder_size = None # حجم الـ placeholder لهذا المنتج (يُكتشف ديناميكياً) for i in range(1, max_probe + 1): nn = f"{i:02d}" img_url = pattern.format(pid=pid, nn=nn) url, size = self._check_image_real(img_url, headers, session) if url and size > 0: # كشف placeholder: # 1. القيمة المكتشفة من قبل المستخدم (12.6 kB) is_placeholder = (self.PLACEHOLDER_SIZE_WINDOW[0] <= size <= self.PLACEHOLDER_SIZE_WINDOW[1]) if is_placeholder: # هذا placeholder مؤكد -> هذا يعني انتهاء صور المنتج الحقيقية # نتوقف فوراً عن محاولة جلب الصور التالية لهذا المنتج logger.info(f" 🛑 Placeholder detected ({size} bytes) for {pid}. Stopping probe.") break if size < 20000: # صور المنتج الحقيقية غالباً أكبر من 20KB، لكننا نقبل الأصغر إذا لم تكن مكررة if placeholder_size is not None and abs(size - placeholder_size) < 100: consecutive_failures += 1 continue last_sizes.append(size) if len(last_sizes) >= 3: recent = last_sizes[-3:] if recent[0] == recent[1] == recent[2]: placeholder_size = recent[0] valid_images = valid_images[:-2] # إزالة الصور التي اتضح أنها placeholder break valid_images.append(img_url) consecutive_failures = 0 else: consecutive_failures += 1 if consecutive_failures >= max_consecutive_fail: break if len(valid_images) >= max_images: break # تأخير بسيط بين الطلبات لتجنب Rate Limiting time.sleep(random.uniform(0.05, 0.15)) # إذا وجدنا صوراً بهذا النمط → نرجعها if valid_images: session.close() return valid_images # Fallback أخير: محاولة الرابط المباشر بدون ترقيم (png) fallback_urls = [ f"https://media.extra.com/i/aurora/{pid}_100_01?fmt=png&w=800", f"https://media.extra.com/i/aurora/{pid}?fmt=png&w=800" ] for f_url in fallback_urls: url, size = self._check_image_real(f_url, headers, session) if url and size > 0: is_placeholder = (self.PLACEHOLDER_SIZE_WINDOW[0] <= size <= self.PLACEHOLDER_SIZE_WINDOW[1]) if not is_placeholder: session.close() return [f_url] session.close() return [] async def scrape_detail_en(self, page, product_url): """الخطوة 2: جلب تفاصيل المنتج بالإنجليزية (صور + مواصفات + عنوان)""" if not await self._go_safe(page, product_url): return None await page.wait_for_timeout(2000) # تمرير لتحميل المحتوى for y in [500, 1000]: await page.evaluate(f"window.scrollTo(0, {y})") await page.wait_for_timeout(200) # استخراج البيانات النصية من الصفحة (العنوان، المواصفات، التقييم) detail = await page.evaluate(DETAIL_EN_JS) if not detail: return None # --- اكتشاف الصور الحقيقية عبر PID Pattern (Python-side) --- pid_match = re.search(r'/p/([A-Z0-9]+)', product_url) if pid_match: pid = pid_match.group(1) logger.info(f"🖼️ Discovering images for PID={pid} via URL pattern probing...") discovered_images = self._discover_images_by_pid(pid) detail['images'] = discovered_images logger.info(f" ✅ Found {len(discovered_images)} real product images for PID={pid}") else: logger.warning(f" ⚠️ Could not extract PID from URL: {product_url}") detail['images'] = [] return detail async def scrape_detail_ar(self, page, product_url): """الخطوة 3: جلب العنوان والوصف والمواصفات بالعربية""" ar_url = product_url.replace('/en-sa/', '/ar-sa/') if not await self._go_safe(page, ar_url): return None await page.wait_for_timeout(1000) detail = await page.evaluate(DETAIL_AR_JS) return detail async def scrape(self, category_key, url_template, max_products=None, global_seen_pids=None): """السكرابر الكامل: قائمة → تفاصيل EN → تفاصيل AR""" results = [] if global_seen_pids is None: global_seen_pids = set() async with async_playwright() as pw: browser = await pw.chromium.launch(headless=True) context = await browser.new_context( user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36", locale="en-SA", extra_http_headers={"Accept-Language": "en-US,en;q=0.9,ar;q=0.8"} ) page = await context.new_page() # === خطوة 1: جلب القائمة === listing = await self.scrape_listing(page, category_key, url_template, max_products, current_total=len(results)) logger.info(f"📋 [{category_key}] Total listings found: {len(listing)}") # === خطوة 2 + 3: زيارة كل منتج === for i, item in enumerate(listing): pid = item['pid'] url = item['product_url'] # --- الفلترة المسبقة الفورية (Early Deduplication) --- if pid in global_seen_pids: logger.info(f" ⏩ Skipping PID={pid} (Already processed previously)") continue if max_products and len(results) >= max_products: logger.info(f" 🎯 Reached quota for category: {category_key}") break logger.info(f" 🔎 [{category_key}] Product {len(results)+1}/{max_products or '?'}: PID={pid}") # --- تفاصيل إنجليزية --- en_detail = await self.scrape_detail_en(page, url) if not en_detail or not en_detail.get('title'): logger.warning(f" ⚠️ Skipping PID={pid} (no EN detail)") continue # --- تفاصيل عربية --- ar_detail = await self.scrape_detail_ar(page, url) # --- دمج البيانات --- product = { 'pid': pid, 'category': item['category'], 'product_url': url, 'price': item['price'], 'old_price': item.get('old_price'), 'brand': en_detail.get('brand') or item.get('brand', ''), 'title_en': en_detail['title'], 'title_ar': ar_detail.get('title_ar', '') if ar_detail else '', 'description_en': en_detail.get('description', ''), 'description_ar': ar_detail.get('description_ar', '') if ar_detail else '', 'images': en_detail.get('images', []), 'specs_en': en_detail.get('specs', {}), 'specs_ar': ar_detail.get('specs_ar', {}) if ar_detail else {}, 'variants_en': en_detail.get('variants', []), 'variants_ar': ar_detail.get('variants_ar', []) if ar_detail else [], 'rating_count': en_detail.get('rating_count', 0), 'raw_categories': en_detail.get('categories', []), } results.append(product) global_seen_pids.add(pid) # إضافة المنتج لقائمة المعالجين logger.info(f" ✅ {product['title_en'][:50]}... | {len(product['images'])} imgs | {len(product['specs_en'])} specs") await asyncio.sleep(random.uniform(0.1, 0.4)) await browser.close() return results # ----------------------------------------------- # 5. دوال التحويل إلى VortexCommerce # ----------------------------------------------- def extract_brand(title, raw_brand=''): if raw_brand: for b in KNOWN_BRANDS: if b.upper() == raw_brand.upper() or b.lower() == raw_brand.lower(): return b for brand in KNOWN_BRANDS: if brand.lower() in title.lower(): return brand if 'rog' in title.lower(): return 'ASUS ROG' return raw_brand.strip().title() if raw_brand else "" def extract_details(title): details = {"storage": "", "color": "", "color_ar": ""} m = re.search(r'(\d+)\s*(GB|TB|جيجا|تيرا)', title, re.IGNORECASE) if m: details["storage"] = m.group(0) for en, ar in COLOR_MAP.items(): if en.lower() in title.lower() or ar in title: details["color"] = en details["color_ar"] = ar break return details def make_options(raw_product, images): """إنشاء خيارات/متغيرات احترافية بناءً على البيانات المسحوبة""" opts = [] base_price = raw_product['price'] variants_en = raw_product.get('variants_en', []) variants_ar = raw_product.get('variants_ar', []) img1 = images[0] if images else '' img2 = images[1] if len(images) > 1 else img1 # 1. إذا وجدنا خيارات حقيقية مسحوبة من الصفحة if variants_en: # نقوم بتجميع الخيارات حسب النوع (مثلاً تجميع السعات معاً) # للتسجيل الحالي، سنأخذ أول مجموعة خيارات نجدها (غالباً الحجم) unique_variants = {} for i, ven in enumerate(variants_en): name_en = ven['name'] name_ar = variants_ar[i]['name'] if i < len(variants_ar) else name_en if name_en not in unique_variants: unique_variants[name_en] = { "name_en": name_en, "name_ar": name_ar, "selected": ven.get('selected', False) } def to_gb(t): m = re.search(r'(\d+)\s*(GB|TB|جيجا|تيرا)', t, re.IGNORECASE) if not m: return 0 v = int(m.group(1)) u = m.group(2).upper() return v * 1024 if ('TB' in u or 'تيرا' in u) else v for i, (name, vdata) in enumerate(unique_variants.items()): # Realistic Price Adjustment for Storage (SAR Deltas) # Instead of simple ratios, we use standard industry jumps for premium devices brand = (raw_product.get('brand') or "").upper() is_premium = brand in ["APPLE", "SAMSUNG", "GOOGLE"] or base_price > 3000 price_delta = 0 if "GB" in name or "TB" in name: val = to_gb(name) current_val = to_gb(raw_product['title_en']) if is_premium: # Premium tier offsets (Approximate market standard) # 128->256 (+500), 256->512 (+1000), 512->1TB (+1000), 1TB->2TB (+2000) tiers = {128: 0, 256: 500, 512: 1500, 1024: 2500, 2048: 4500} target_offset = 0 current_offset = 0 # Find closest tiers for t_size, t_off in sorted(tiers.items()): if val >= t_size: target_offset = t_off if current_val >= t_size: current_offset = t_off price_delta = target_offset - current_offset else: # Generic devices use simpler ratio ratio = val / current_val if current_val > 0 else 1 if ratio > 1: price_delta = base_price * (min(ratio - 1, 1.0) * 0.2) elif ratio < 1: price_delta = base_price * (max(ratio - 1, -0.4)) opts.append({ "sku": f"EXT-{uuid.uuid4().hex[:8]}", "name_en": vdata["name_en"], "name_ar": vdata["name_ar"], "price": round(base_price + price_delta, 2) if not vdata["selected"] else base_price, "stock": random.randint(5, 50), "image": img1 if vdata["selected"] else img2, }) # 2. إذا لم نجد خيارات، نضع خياراً افتراضياً واحداً if not opts: opts.append({ "sku": f"EXT-{uuid.uuid4().hex[:8]}", "name_en": "Standard Edition", "name_ar": "الإصدار القياسي", "price": base_price, "stock": random.randint(10, 100), "image": img1, }) return opts def transform_to_vortex(raw_products): """التحويل النهائي إلى هيكلة VortexCommerce (مطابقة لـ real_products_200.json)""" out = [] seen = set() idx = 0 for raw in raw_products: title_en = raw['title_en'].strip() key = title_en.lower() if key in seen: continue seen.add(key) idx += 1 cat_key = raw['category'] # تحديد الفئة الأب والفرعية بناءً على الهيكلية الجديدة parent_ar = EXTRA_CAT_TO_PARENT.get(cat_key, "الأجهزة الإلكترونية") parent_info = CATEGORIES_HIERARCHY[parent_ar] sub_info = parent_info["subs"].get(cat_key, {"en": cat_key.title(), "ar": cat_key}) display_cat_ar = sub_info["ar"] display_cat_en = sub_info["en"] parent_en = parent_info["en"] icon = parent_info["icon"] brand = extract_brand(title_en, raw.get('brand', '')) details = extract_details(title_en) # الأسماء name_ar = raw.get('title_ar', '') if not name_ar: ar_brand = BRAND_AR.get(brand, brand) if brand and title_en.lower().startswith(brand.lower()): name_ar = f"{ar_brand} {title_en[len(brand):].strip()}" else: name_ar = f"{ar_brand} - {title_en}" # الأوصاف desc_en = raw.get('description_en', '') desc_ar = raw.get('description_ar', '') if not desc_en: desc_en = f"The {title_en} is a premium product from {brand or 'a trusted brand'}. Available at eXtra stores in Saudi Arabia with official warranty." if not desc_ar: desc_ar = f"نقدم لكم {name_ar}، منتج عالي الجودة من {brand or 'علامة تجارية موثوقة'}. متوفر في معارض اكسترا في المملكة العربية السعودية مع ضمان رسمي." price = raw['price'] old_price = raw.get('old_price') compare = old_price if old_price and old_price > price else round(price * random.uniform(1.05, 1.18), 2) images = raw.get('images', []) rating = raw.get('rating') or round(random.uniform(3.5, 4.9), 2) rating_count = raw.get('rating_count') or random.randint(10, 500) # الخيارات الاحترافية (واقعية) options = make_options(raw, images) # المواصفات: دمج EN + AR مع حقول إضافية specs_en = raw.get('specs_en', {}) specs_ar = raw.get('specs_ar', {}) specs = { "origin": "Saudi Arabia", "condition": "New Genuine", "rating": rating, "warranty": "1 Year Official KSA Warranty", "sku_base": f"EXT-SKU-{raw.get('pid', idx)}", "source": "extra.com", "brand_name": brand, # إضافة البراند للمواصفات لسهولة الفلترة } # إضافة المواصفات التفصيلية من الموقع if specs_en: specs["details_en"] = specs_en if specs_ar: specs["details_ar"] = specs_ar if details['storage']: specs["storage"] = details['storage'] if details['color']: specs["color_en"] = details['color'] specs["color_ar"] = details['color_ar'] out.append({ "category": display_cat_ar, # الفئة الفرعية بالعربي (مثل: جوالات) "category_en": display_cat_en, # الفئة الفرعية بالإنجليزي "main_category": parent_ar, # الفئة الأساسية بالعربي (مثل: الأجهزة الإلكترونية) "main_category_en": parent_en, # الفئة الأساسية بالإنجليزي "category_icon": icon, # الأيقونة "brand": brand or "Generic", "name_en": title_en, "name_ar": name_ar, "description_en": desc_en, "description_ar": desc_ar, "price": round(price, 2), "compare_price": round(compare, 2), "images": images, "options": options, "specs": specs, "seller_info": {"name": "Vortex Authorized Seller", "rating": 4.9, "location": "Riyadh, KSA"}, "quality_score": 100 if len(images) > 0 else 80, "legacy_ref": f"EXT-API-{raw.get('pid', idx)}", }) return out # ----------------------------------------------- # 6. التشغيل الرئيسي # ----------------------------------------------- async def main(): db = Database(DATABASE_URL or DATABASE_NAME) scraper = ExtraScraper() all_raw = [] seen_pids = set() print("=" * 60) print("🛒 Extra.com → VortexCommerce Full Scraper (V2: Per-Category Quota)") print(f"📋 Independent Target: {TARGET_PRODUCTS_PER_CATEGORY} products per category") print(f"🌐 Languages: English + Arabic") print(f"🖼️ Mode: Multiple images + Full specs per product") print("=" * 60) for cat_key, url_tpl in CATEGORIES_TO_SCRAPE.items(): print(f"\n{'─'*50}") print(f"📂 Processing Category: {cat_key} (Target: {TARGET_PRODUCTS_PER_CATEGORY})") print(f"{'─'*50}") # Step 1: Get enough listings and scrape details with early deduplication # We pass global_seen_pids to skip already visited products across categories prods = await scraper.scrape(cat_key, url_tpl, max_products=TARGET_PRODUCTS_PER_CATEGORY, global_seen_pids=seen_pids) if prods: saved = db.save_products(prods) all_raw.extend(prods) img_counts = [len(p.get('images', [])) for p in prods] avg_imgs = sum(img_counts) / len(img_counts) if img_counts else 0 ar_count = sum(1 for p in prods if p.get('title_ar')) print(f" ✅ {len(prods)} products saved and processed for this category") print(f" 🖼️ Avg images: {avg_imgs:.1f} | 🌐 Arabic: {ar_count}/{len(prods)}") else: print(f" ⚠️ No new products found in this category") print(f"\n{'═'*60}") print(f"📦 FINAL SCRAPE COMPLETE: Total {len(all_raw)} products across all categories") print(f"{'═'*60}") # === التحويل === print("\n🔄 Converting to VortexCommerce format...") vortex_products = transform_to_vortex(all_raw) output = { "metadata": { "total_count": len(vortex_products), "generated_at": datetime.now(timezone.utc).isoformat(), "version": "Extra-Scraper-V2-Full", "quality_tier": "Extra-Validated-Full", "source": "https://www.extra.com/en-sa/", "features": ["multi-image", "bilingual", "full-specs"] }, "products": vortex_products } # === حفظ الملفات === vortex_file = "extra_products_vortex.json" raw_file = "extra_products_raw.json" with open(vortex_file, 'w', encoding='utf-8') as f: json.dump(output, f, ensure_ascii=False, indent=2) with open(raw_file, 'w', encoding='utf-8') as f: json.dump(all_raw, f, ensure_ascii=False, indent=2) with zipfile.ZipFile('extra_data.zip', 'w') as z: z.write(DATABASE_NAME) z.write(vortex_file) z.write(raw_file) # === الإحصائيات النهائية === print(f"\n{'═'*60}") print(f"📊 FINAL REPORT") print(f"{'═'*60}") cats = {} brands = {} total_imgs = 0 total_specs = 0 with_ar = 0 for p in vortex_products: cats[p['category']] = cats.get(p['category'], 0) + 1 brands[p['brand']] = brands.get(p['brand'], 0) + 1 total_imgs += len(p.get('images', [])) total_specs += len(p.get('specs', {}).get('details_en', {})) if p.get('name_ar'): with_ar += 1 n = len(vortex_products) print(f"\n📁 Categories:") for cat, count in sorted(cats.items()): print(f" {cat}: {count}") print(f"\n🏷️ Top Brands:") for brand, count in sorted(brands.items(), key=lambda x: -x[1])[:15]: print(f" {brand}: {count}") print(f"\n📈 Quality Metrics:") print(f" Total products: {n}") print(f" 🖼️ Total images: {total_imgs} (avg {total_imgs/n:.1f}/product)") print(f" 📋 Products with specs: {sum(1 for p in vortex_products if p['specs'].get('details_en'))}/{n}") print(f" 🌐 Arabic names: {with_ar}/{n}") print(f" 💰 Price range: {min(p['price'] for p in vortex_products):.0f} - {max(p['price'] for p in vortex_products):.0f} SAR") print(f"\n📄 Files generated:") print(f" ✅ {vortex_file} ({n} products)") print(f" ✅ {raw_file}") print(f" ✅ {DATABASE_NAME}") print(f" 📦 extra_data.zip (download from sidebar)") print(f"\n✅ Copy {vortex_file} → backend/kaggle/extra_products_vortex.json") db.close() await main()