287 lines
12 KiB
Python
287 lines
12 KiB
Python
"""
|
|
TEE OFF - GREENFEE-SKRAPER MED GEMINI AI
|
|
---------------------------------------------------------------------------
|
|
Henter alle greenfee-varianter fra en (eller flere) URL-er og strukturerer
|
|
dem i en JSON-liste. Finner også avtaleklubber/vennskapsklubber.
|
|
---------------------------------------------------------------------------
|
|
"""
|
|
|
|
import asyncio
|
|
import asyncpg
|
|
import os
|
|
import json
|
|
import argparse
|
|
from bs4 import BeautifulSoup
|
|
from playwright.async_api import async_playwright
|
|
import google.generativeai as genai
|
|
from dotenv import load_dotenv
|
|
from env_config import get_database_url
|
|
from scrape_utils import ProgressCallback, emit_progress, make_progress_event, parse_llm_json
|
|
|
|
load_dotenv()
|
|
|
|
DB_URL = get_database_url()
|
|
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
|
|
|
|
if not GEMINI_API_KEY:
|
|
raise ValueError("🚨 GEMINI_API_KEY mangler i .env filen!")
|
|
|
|
genai.configure(api_key=GEMINI_API_KEY)
|
|
model = genai.GenerativeModel('gemini-2.5-flash')
|
|
|
|
async def fetch_page_text(url: str, browser) -> str:
|
|
url = url.strip()
|
|
if not url.startswith("http"):
|
|
return ""
|
|
|
|
print(f" 🌐 Laster inn: {url}")
|
|
try:
|
|
page = await browser.new_page()
|
|
await page.goto(url, wait_until="domcontentloaded", timeout=15000)
|
|
html_content = await page.content()
|
|
await page.close()
|
|
|
|
soup = BeautifulSoup(html_content, 'html.parser')
|
|
for script in soup(["script", "style", "nav", "footer", "header"]):
|
|
script.extract()
|
|
|
|
return soup.get_text(separator=' ', strip=True)
|
|
except Exception as e:
|
|
print(f" ❌ Feil ved lasting av {url}: {e}")
|
|
return ""
|
|
|
|
def analyze_greenfee_with_gemini(text: str, club_name: str) -> dict | None:
|
|
print(f" 🧠 Sender {len(text)} tegn til Gemini for greenfee-analyse...")
|
|
|
|
prompt = f"""
|
|
Du er en ekspert på norske golfklubber og prissetting.
|
|
Din oppgave er å lese teksten hentet fra nettsidene til "{club_name}" og hente ut TO ting:
|
|
1. ALLE varianter av greenfee-priser.
|
|
2. Navn på eventuelle vennskapsklubber/avtaleklubber (hvis nevnt).
|
|
|
|
REGLER FOR GREENFEE:
|
|
- Trekk ut absolutt alle priskategorier du finner (f.eks. "Hverdag høysesong", "Helg før kl 14", "Gjest av medlem", "9 hull kveld", osv.).
|
|
- Finn både voksenpris og juniorpris for hver kategori.
|
|
- HVIS juniorpris er oppgitt som en regel (f.eks. "Juniorer betaler halv pris" eller "50% rabatt for junior"), MÅ du selv regne ut prisen og skrive inn heltallet.
|
|
- "banenavn": Bruk navnet på banen hvis det er spesifisert (f.eks. "18-hullsbanen", "Korthullsbanen"). Hvis ikke spesifisert, bruk "{club_name}".
|
|
- Priser SKAL være tall (integer). Sett pris til null (null) hvis den ikke finnes.
|
|
|
|
REGLER FOR AVTALEKLUBBER:
|
|
- Let etter overskrifter som "Vennskapsklubber", "Avtaleklubber", "Gjestespill", "Samarbeidsklubber".
|
|
- Trekk ut kun navnene på klubbene i en liste (f.eks. ["Haga GK", "Oslo GK"]). La listen være tom hvis du ikke finner noen.
|
|
|
|
TEKST FRA NETTSIDEN:
|
|
{text}
|
|
|
|
OPPGAVE:
|
|
Returner KUN et gyldig JSON-objekt med nøyaktig følgende struktur:
|
|
{{
|
|
"foreslatt_greenfee": [
|
|
{{
|
|
"banenavn": "Navn på banen",
|
|
"priskategori": "F.eks: Hverdag Gjest av Medlem",
|
|
"pris_voksne": 600,
|
|
"pris_junior": 300
|
|
}}
|
|
],
|
|
"foreslatt_avtaleklubber": [
|
|
"Klubb 1 GK",
|
|
"Klubb 2 GK"
|
|
],
|
|
"ai_begrunnelse": "Kort forklaring, f.eks: 'Fant et komplekst prissystem for høy/lavsesong. Regnet ut juniorpriser til 50% som angitt i teksten. Fant 3 samarbeidsklubber nederst.'"
|
|
}}
|
|
"""
|
|
|
|
try:
|
|
response = model.generate_content(prompt)
|
|
parsed = parse_llm_json(response.text)
|
|
return parsed if isinstance(parsed, dict) else None
|
|
except Exception as e:
|
|
print(f" ❌ AI-analyse feilet: {e}")
|
|
return None
|
|
|
|
async def run_greenfee_scraper(facility_ids=None, progress_callback: ProgressCallback | None = None):
|
|
print("🚀 Starter Greenfee-skraperen...")
|
|
conn = await asyncpg.connect(DB_URL)
|
|
facilities = []
|
|
analyzed_count = 0
|
|
saved_count = 0
|
|
skipped_count = 0
|
|
failed_count = 0
|
|
|
|
try:
|
|
query = "SELECT id, name, greenfee_url FROM facilities WHERE greenfee_url IS NOT NULL AND greenfee_url != ''"
|
|
if facility_ids:
|
|
query += f" AND id IN ({','.join(map(str, facility_ids))})"
|
|
|
|
facilities = await conn.fetch(query)
|
|
total_facilities = len(facilities)
|
|
print(f"📋 Fant {total_facilities} anlegg å skrape.")
|
|
await emit_progress(
|
|
progress_callback,
|
|
progress_total=total_facilities,
|
|
progress_completed=0,
|
|
progress_ok=0,
|
|
progress_failed=0,
|
|
progress_skipped=0,
|
|
event=make_progress_event(
|
|
facility_id=None,
|
|
facility_name="Greenfee",
|
|
outcome="info",
|
|
message=f"Starter greenfeeskraping for {total_facilities} anlegg.",
|
|
processed=0,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
|
|
async with async_playwright() as p:
|
|
browser = await p.chromium.launch(headless=True)
|
|
|
|
for index, facility in enumerate(facilities, start=1):
|
|
fac_id = facility['id']
|
|
name = facility['name']
|
|
urls_raw = facility['greenfee_url']
|
|
|
|
print(f"\n▶️ Behandler Greenfee for: {name} (ID: {fac_id})")
|
|
await emit_progress(
|
|
progress_callback,
|
|
current_facility_id=fac_id,
|
|
current_facility_name=name,
|
|
event=make_progress_event(
|
|
facility_id=fac_id,
|
|
facility_name=name,
|
|
outcome="info",
|
|
message="Starter henting av greenfeesider.",
|
|
processed=index - 1,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
|
|
urls = [u.strip() for u in urls_raw.split(',')]
|
|
combined_text = ""
|
|
try:
|
|
for idx, url in enumerate(urls, 1):
|
|
page_text = await fetch_page_text(url, browser)
|
|
if page_text:
|
|
combined_text += f"\n\n--- TEKST FRA SIDE {idx} ({url}) ---\n{page_text}"
|
|
|
|
if len(combined_text) < 50:
|
|
print(" ⚠️ Fant for lite tekst, hopper over.")
|
|
skipped_count += 1
|
|
await emit_progress(
|
|
progress_callback,
|
|
progress_completed=index,
|
|
progress_ok=saved_count,
|
|
progress_failed=failed_count,
|
|
progress_skipped=skipped_count,
|
|
current_facility_id=fac_id,
|
|
current_facility_name=name,
|
|
event=make_progress_event(
|
|
facility_id=fac_id,
|
|
facility_name=name,
|
|
outcome="warning",
|
|
message="Hoppet over fordi det ble funnet for lite tekst på greenfeesidene.",
|
|
processed=index,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
continue
|
|
|
|
draft_data = analyze_greenfee_with_gemini(combined_text[:25000], name)
|
|
if not draft_data:
|
|
failed_count += 1
|
|
await emit_progress(
|
|
progress_callback,
|
|
progress_completed=index,
|
|
progress_ok=saved_count,
|
|
progress_failed=failed_count,
|
|
progress_skipped=skipped_count,
|
|
current_facility_id=fac_id,
|
|
current_facility_name=name,
|
|
event=make_progress_event(
|
|
facility_id=fac_id,
|
|
facility_name=name,
|
|
outcome="error",
|
|
message="AI-analysen ga ikke et gyldig greenfeeutkast.",
|
|
processed=index,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
continue
|
|
|
|
analyzed_count += 1
|
|
|
|
funnet_priser = len(draft_data.get('foreslatt_greenfee', []))
|
|
funnet_klubber = len(draft_data.get('foreslatt_avtaleklubber', []))
|
|
print(f" ✅ AI fant {funnet_priser} greenfee-varianter og {funnet_klubber} avtaleklubber.")
|
|
|
|
await conn.execute("""
|
|
UPDATE facilities
|
|
SET greenfee_draft = $1::jsonb
|
|
WHERE id = $2
|
|
""", json.dumps(draft_data), fac_id)
|
|
|
|
print(" 💾 Greenfee-utkast lagret i databasen!")
|
|
saved_count += 1
|
|
await emit_progress(
|
|
progress_callback,
|
|
progress_completed=index,
|
|
progress_ok=saved_count,
|
|
progress_failed=failed_count,
|
|
progress_skipped=skipped_count,
|
|
current_facility_id=fac_id,
|
|
current_facility_name=name,
|
|
event=make_progress_event(
|
|
facility_id=fac_id,
|
|
facility_name=name,
|
|
outcome="success",
|
|
message=f"Utkast lagret med {funnet_priser} prisvarianter og {funnet_klubber} avtaleklubber.",
|
|
processed=index,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
except Exception as e:
|
|
failed_count += 1
|
|
print(f" ❌ Uventet feil for {name}: {e}")
|
|
await emit_progress(
|
|
progress_callback,
|
|
progress_completed=index,
|
|
progress_ok=saved_count,
|
|
progress_failed=failed_count,
|
|
progress_skipped=skipped_count,
|
|
current_facility_id=fac_id,
|
|
current_facility_name=name,
|
|
event=make_progress_event(
|
|
facility_id=fac_id,
|
|
facility_name=name,
|
|
outcome="error",
|
|
message=f"Feilet under behandling: {str(e).splitlines()[0]}",
|
|
processed=index,
|
|
total=total_facilities,
|
|
),
|
|
)
|
|
|
|
await browser.close()
|
|
|
|
finally:
|
|
await conn.close()
|
|
print("\n🏁 Skraping fullført.")
|
|
|
|
return {
|
|
"processed_facilities": len(facilities),
|
|
"analyzed_facilities": analyzed_count,
|
|
"saved_drafts": saved_count,
|
|
"skipped_facilities": skipped_count,
|
|
"failed_facilities": failed_count,
|
|
}
|
|
|
|
if __name__ == "__main__":
|
|
parser = argparse.ArgumentParser(description="Skrap greenfeepriser via AI.")
|
|
parser.add_argument("--ids", type=str, help="Kommaseparert liste med facility IDs (eks: 1,5,12)")
|
|
args = parser.parse_args()
|
|
|
|
ids_to_scrape = None
|
|
if args.ids:
|
|
ids_to_scrape = [int(x.strip()) for x in args.ids.split(",")]
|
|
|
|
asyncio.run(run_greenfee_scraper(ids_to_scrape))
|