YJJ_YBM/YJJ/get_shop_licenseName.py

from playwright.sync_api import sync_playwright, TimeoutError as PlaywrightTimeoutError
from logger_config import logger
from datetime import datetime
import random
import csv
import os
import time
import json
import pymysql
from pymysql.err import OperationalError, ProgrammingError, DataError
from config import *
import re
import uuid
import requests
from main import *

#采集数据核心
def collect_data1(page, keyword):
    """
    1) 先获取当前页商品个数（count）
    2) 按循环次数采集；每循环15次滚动一次 slow_scroll_1200px
    3) 当前页循环完 -> goto_next_page；有下一页继续；无下一页结束该关键词
    """
    collect_result = []
    seen = set()

    logger.info(f"📊 开始采集「{keyword}」的商品数据")
    page.wait_for_load_state("networkidle")

    page_no = 1
    while True:
        logger.info(f"\n📄 「{keyword}」开始采集第 {page_no} 页")

        #  记录列表页URL（可用于你后续兜底）
        list_page_url = page.url
        logger.info(f"📌 已记录商品列表页URL：{list_page_url}")

        # ✅ 先获取当前页商品个数
        page.wait_for_load_state("networkidle")
        total_limit = page.locator(PRODUCT_ITEM_SELECTOR).count()
        logger.info(f"📌 「{keyword}」第{page_no}页 初始商品个数（count）：{total_limit}")

        # 重置当前页的采集计数
        collected_count = 0



        for idx in range(total_limit):
            detail_page = None
            try:
                item = page.locator(PRODUCT_ITEM_SELECTOR).nth(idx)
                collected_count += 1  # 实际采集计数（用于日志）
                # ========= 反爬随机延迟（保留你的原逻辑也行） =========
                page.wait_for_load_state("networkidle")
                delay = random_delay(MIN_CLICK_DELAY, MAX_CLICK_DELAY)
                logger.info(f"📌 「{keyword}」第{page_no}页 第{collected_count}/{total_limit}个商品 - 等待{delay:.2f}秒后采集（反爬）")


                # ========= 售罄跳过 =========
                sold_locator = item.locator('div[data-v-480da687].gc-l1-cirle_tip')
                if sold_locator.count() > 0:
                    is_sold_out = 1
                    logger.info(f" 「{keyword}」第{page_no}页 第{collected_count}个商品已售罄")
                    # if collected_count % 5 == 0 and collected_count > 0:
                    #     logger.info("采满5个往下滑")
                    #     slow_scroll_400px(page)
                    #     page.wait_for_load_state("networkidle")
                    # continue



                # 1. 初始化所有字段默认值
                product = "无标题"
                price = "0.00"
                shop = "无店名"
                expiry_date = "无有效期"
                manufacture_date = "无生产日期"
                approval_number = "无批准文号"
                manufacturer = "未知公司"
                # discount_price = "0.00"
                spec = "未知规格"
                num = 1  # ✅ 默认 1
                platform = '药九九'
                current_time = datetime.now().strftime("%Y-%m-%d")
                is_sold_out = 0


                # 提取商品标题（处理空值）
                product_locator = item.locator(PRODUCT_TITLE_SELECTOR)
                if product_locator.count() > 0:
                    title = product_locator.inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 列表页标题：{title}{'='*10}")
                else:

                    logger.warning(f" 「{keyword}」第{collected_count}个商品 - 列表页标题元素未找到，使用默认值：{title}")

                # 提取价格（带缺失日志）

                # 4. 提取价格（带缺失日志）
                price_locator = item.locator(PRODUCT_PRICE_SELECTOR).nth(0)
                if price_locator.count() > 0:
                    price = price_locator.inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}{keyword}」第{collected_count}个商品 - 列表页采购价格：{price}{'='*10}")
                else:

                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 列表页采购价格元素未找到，使用默认值：{price}")

                # 5. 提取公司名称（带缺失日志）
                manufacturer_locator = item.locator(PRODUCT_COMPANY_SELECTOR)
                if manufacturer_locator.count() > 0:
                    manufacturer = manufacturer_locator.inner_text(timeout=3000).strip()

                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 列表页公司名：{manufacturer}{'='*10}")
                else:

                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 列表页公司名称元素未找到，使用默认值：{manufacturer}")



                #提取店铺名称
                shop_locator = item.locator(PRODUCT_STORE_SELECTOR)
                if shop_locator.count() > 0:
                    shop = shop_locator.inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 列表页店名：{shop}{'='*10}")
                else:

                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 列表页店铺名称元素未找到，使用默认值：{shop}")

                #提取折扣价
                discount_price = ""
                discount_price_locator = item.locator('span[data-v-480da687].gc-l2-discount_price').first
                if discount_price_locator.count() > 0:
                    discount_price = discount_price_locator.inner_text(timeout=3000).strip()
                    discount_price_val_origin = discount_price
                    match = re.search(r'\d+\.?\d*', str(discount_price_val_origin))
                    discount_price_val = float(match.group()) if match else 0.00
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页折扣价：{discount_price_val}{'='*10}")
                else:
                    #如果没有拿原价替换
                    price = float(price.replace("￥", "").replace(",", "")) if price.replace("￥", "").replace(",", "").replace(".", "") else "0.00"
                    discount_price_val = price
                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 折扣价元素未找到，使用采购价兜底：{discount_price_val}")

                merged_price = f"{price}{discount_price_val_origin}" if discount_price_val_origin else price

                # ========= ✅ 去重（最小且稳：可换成 href/data-id 更稳） =========
                # key = f"{title.strip()}|{store.strip()}|{company_name.strip()}|{price.strip()}"
                # if key in seen:
                #     logger.warning(
                #         f" 「{keyword}」第{page_no}页 第{collected_count}个商品（重复）：{title}，跳过"
                #     )
                #     if collected_count % 5 == 0 and collected_count > 0:
                #         logger.info("采满15个往下滑")
                #         slow_scroll_400px(page)
                #         page.wait_for_load_state("networkidle")
                #         continue
                # seen.add(key)

                # ========= 模拟点击商品进入详情页 =========
                logger.info(
                    f"📌 「{keyword}」第{page_no}页 第{collected_count}个商品「{title}」- 模拟鼠标移动并点击"
                )


                # 点击商品项容器，触发详情展示
                # ========== 点击商品跳详情页 ==========
                # 反爬：模拟真人鼠标移动到商品上再点击（不是直接点击）
                logger.info(f"📌 「{keyword}」第{collected_count}个商品「{title}」- 模拟鼠标移动并点击")
                item.hover()  # 先悬停
                random_delay(0.2, 0.5)  # 悬停后延迟
                item.dispatch_event("mousedown")
                random_delay(0.05, 0.15)  # 鼠标按下后延迟
                item.dispatch_event("mouseup")
                random_delay(0.05, 0.1)   # 鼠标松开后延迟



                try:
                    with page.context.expect_page(timeout=60000) as p:
                        item.click(delay=random.uniform(0.1, 0.3))
                    detail_page = p.value
                except PlaywrightTimeoutError:
                    logger.warning(
                        f" 「{keyword}」第{page_no}页 第{collected_count}个商品「{title}」- 未检测到新标签页，使用当前页采集详情"
                    )
                    detail_page = None  # 标记为无新标签页，避免关闭列表页


                # 等待详情加载（优先用新标签页，无则用列表页）
                target_page = detail_page if detail_page else page
                target_page.wait_for_load_state("networkidle", timeout=20000)
                delay = random_delay(MIN_PAGE_DELAY, MAX_PAGE_DELAY)
                logger.info(
                    f"📌 「{keyword}」第{page_no}页 第{collected_count}个商品「{title}」- 详情页加载完成，等待{delay:.2f}秒（反爬）"
                )
                # 反爬：检测详情页反爬验证
                # check_anti_crawl(page)
                # ========== 采集详情页的专属信息（有效期/生产日期/批准文号） ==========





                #获取商品详情页链接
                product_link = target_page.url
                logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页链接：{product_link}{'='*10}")

                # 提取有效期（处理空值）
                expiry_date_locator = target_page.locator("//span[contains(text(), '有效期')]/following-sibling::span[contains(@class, 'gdb-desc-value4')]")
                if expiry_date_locator.count() > 0:
                    expiry_date = expiry_date_locator.inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页有效期：{expiry_date}{'='*10}")
                else:
                    # 修复：替换未定义的i为collected_count
                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 有效期元素未找到，使用默认值：{expiry_date}")


                # 提取生产日期（修复完成）
                manufacture_date_locator = target_page.locator("//span[@class='gdb-desc-label' and text()='生产日期']/following-sibling::span[1]")
                if manufacture_date_locator.count() > 0:
                    manufacture_date = manufacture_date_locator.inner_text(timeout=3000).strip().replace('-', "")
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页生产日期：{manufacture_date}{'='*10}")
                else:
                    # 修复：替换未定义的i为collected_count
                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 生产日期元素未找到，使用默认值：{manufacture_date}")


                # 提取批准文号（替换为你实际的选择器）
                approval_number_locator = target_page.locator("//span[contains(text(), '国药准字')]").first
                if approval_number_locator.count() > 0:
                    approval_number = approval_number_locator.inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页批准文号：{approval_number}{'='*10}")
                else:
                    # 修复：替换未定义的i为collected_count
                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 批准文号元素未找到，使用默认值：{approval_number}")



                #提取规格
                spec_locator = target_page.locator('span.gddd-params_text_line_1[title]')
                if spec_locator.count() > 0:
                    spec = spec_locator.nth(2).inner_text(timeout=3000).strip()
                    logger.info(f"{'='*10}「{keyword}」第{collected_count}个商品 - 详情页规格：{spec}{'='*10}")
                else:
                    # 修复：替换未定义的i为collected_count，补充规格数量不足的提示
                    logger.warning(f" 「{keyword}」第{collected_count}个商品「{title}」- 规格元素数量不足，使用默认值：{spec}")


                #获取营业执照图片 li[data-v-4f79abe8].nth(2)
                #进入店铺
                random_delay(MIN_CLICK_DELAY, MAX_CLICK_DELAY)
                entershop_btn = target_page.locator('[data-v-c5790f48].btn-text')
                entershop_btn.click()
                target_page.wait_for_load_state("networkidle")

                #点击店铺资质
                random_delay(MIN_CLICK_DELAY, MAX_CLICK_DELAY)
                shop_license_page = target_page.locator('li[data-v-4f79abe8]').nth(2)
                shop_license_page.click()
                target_page.wait_for_load_state("networkidle")
                SCROLL_TARGET_DISTANCE = 1500
                try:
                    # 生成400±50px的随机滚动距离
                    scroll_distance = random.randint(
                        SCROLL_TARGET_DISTANCE - SCROLL_OFFSET_RANGE,
                        SCROLL_TARGET_DISTANCE + SCROLL_OFFSET_RANGE
                    )
                    remaining_distance = scroll_distance
                    total_steps = int(scroll_distance / SCROLL_STEP)

                    logger.info(
                        f"📜 开始慢速滚动（目标距离：{scroll_distance}px，总步数：{total_steps}，总时长约{total_steps*SCROLL_INTERVAL:.2f}秒）"
                    )

                    # 渐进式滚动（每步50px，间隔0.05秒）
                    for _ in range(total_steps):
                        step = min(SCROLL_STEP, remaining_distance)
                        page.evaluate(f"window.scrollBy(0, {step});")
                        remaining_distance -= step
                        time.sleep(SCROLL_INTERVAL)

                    # 处理剩余不足一步的距离
                    if remaining_distance > 0:
                        page.evaluate(f"window.scrollBy(0, {remaining_distance});")
                        time.sleep(SCROLL_INTERVAL)

                    # 滚动后等待懒加载完成
                    page.wait_for_load_state("networkidle", timeout=8000)
                    random_delay(2.0, 3.0)  # 滚动后额外停顿，模拟真人
                    logger.info(f" 慢速滚动完成，实际滚动距离：{scroll_distance - remaining_distance}px")

                except Exception as e:
                    logger.warning(f" 慢速滚动失败：{e}")




                #获取店铺资质图片
                shop_license_div = target_page.locator('div[data-v-7f7214f6].shop-licensesImg').nth(2)
                shop_license_img = shop_license_div.locator('img')
                try:
                    if shop_license_img.count() > 0:
                        shop_license_src = shop_license_img.get_attribute('src')
                        shop_license_src = shop_license_src.strip() if shop_license_src else None
                    else:
                        shop_license_src = None
                except Exception as e:
                        # 捕获定位/提取失败的异常，避免程序崩溃
                        print(f"提取营业执照图片src失败：{e}")
                        shop_license_src = None
                print("营业执照图片链接：", shop_license_src)



                # purchase_price = float(price.replace("￥", "").replace(",", "")) if price.replace("￥", "").replace(",", "").replace(".", "").isdigit() else 0.00



                # ========== 关闭新标签页，切回列表页 ==========
                if detail_page and not detail_page.is_closed():
                    detail_page.close()  # 关闭详情页标签
                    logger.info(f"📌 「{keyword}」第{collected_count}个商品 - 已关闭详情页标签页")
                # 切回原列表页（第一个标签页）
                page.bring_to_front()  # 激活列表页
                page.mouse.move(random.randint(100, 300), random.randint(200, 400))  # 随机移动鼠标
                random_delay(0.5, 1.0)  # 增加切换后延迟
                page.wait_for_load_state("networkidle")
                random_delay(MIN_CLICK_DELAY, MAX_CLICK_DELAY)
                logger.info(f" 「{keyword}」第{collected_count}个商品「{title}」- 已切回列表页")

                province = ""
                city = ""
                business_license_company = ""
                credit_code = ""
                availability = ""

                # 组装单条数据（仅新增生产日期/批准文号字段，原有字段顺序/逻辑不变）
                # 构造单条数据元组（适配MySQL字段）
                single_data = {
                    # 核心商品信息
                        "product": title,  # 商品名称
                        "my_good_price": merged_price,  # 自定义价格（可与min_price相同或单独提取）
                        "min_price": discount_price_val,  # 最低价格
                        "manufacture_date": manufacture_date,  # 生产日期
                        "expiry_date": expiry_date,  # 有效期
                        "shop": shop,  # 店铺名
                        "business_license_company": business_license_company,  # 营业执照主体（公司名称）
                        "province": province,  # 省份
                        "city": city,  # 城市
                        "manufacturer": manufacturer,  # 生产厂家
                        "specification": spec,  # 规格
                        "approval_number": approval_number,  # 批准文号
                        "product_link": product_link,  # 商品链接
                        "scrape_date": current_time,  # 采集日期
                        "scrape_province": "",  # 采集省份（可留空或根据IP获取）
                        "availability": availability,  # 库存状态
                        "credit_code": credit_code,  # 统一信用代码（如有可补充提取）
                        "platform": platform,  # 平台名称（固定或动态获取）
                        "search_key": keyword,  # 搜索关键词
                        "number": num,  # 数量（盒数）
                        "is_sold_out": is_sold_out,  # 售罄标记（0/1）
                        "update_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),  # 更新时间
                        "create_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")   # 创建时间
            }
                # 调用逐条插入函数
                insert_single_to_mysql(single_data)
                collect_result.append(single_data)
                logger.info(f" 「{keyword}」第{collected_count}个商品「{title}」采集完成")

            except Exception as e:
                # 异常处理：关闭详情页，强制切回列表页
                logger.exception(f" 「{keyword}」第{collected_count}个商品采集核心异常：{str(e)}")
                try:
                    if detail_page and not detail_page.is_closed():
                        detail_page.close()
                        logger.info(f"📌 「{keyword}」第{collected_count}个商品 - 异常时关闭详情页标签页")
                    if page and not page.is_closed():
                        page.bring_to_front()  # 切回列表页
                    page.wait_for_load_state("networkidle")
                    random_delay(MIN_CLICK_DELAY, MAX_CLICK_DELAY)
                except Exception as e2:
                    logger.error(f" 「{keyword}」第{collected_count}个商品详情采集异常（处理时）：{str(e2)}，原异常：{str(e)}")
                    continue


            # ✅ 每15次滚动一次（修复：用collected_count，且排除0的情况）
            if collected_count % 5 == 0 and collected_count > 0 and collected_count != total_limit:
                logger.info("采满5个往下滑")
                slow_scroll_400px(page)
                page.wait_for_load_state("networkidle")



        # ====== 当前页采集完毕，尝试翻页 ======
        delay = random_delay(1.5, 3.0)
        logger.info(f"⏳ 翻页前随机等待 {delay:.2f}s（反爬）")

        if goto_next_page(page):
            page_no += 1
            continue
        else:
            logger.info(f" 「{keyword}」已无下一页，关键词采集结束")
            break
    # 关键词采集完成后长延迟
    long_delay = random_delay(MIN_KEYWORD_DELAY, MAX_KEYWORD_DELAY)
    logger.info(f" 「{keyword}」采集完成，共{len(collect_result)}条数据，等待{long_delay:.2f}秒后继续下一个关键词（反爬）")
    return collect_result







# ==================== 主函数（登录+批量搜索） ====================
def main():
    logger.info("\n" + "="*50)
    logger.info("🚀 药九九采集程序启动")
    logger.info(f"⏰ 启动时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    logger.info("="*50)

    # 待搜索的关键词列表（直接写在这里，改起来更直观）
    # 存储所有关键词的采集数据
    # all_collect_data = []

    with sync_playwright() as p:
        # browser = init_browser_with_proxy(p)
        # 启动浏览器（用单个配置变量）
        browser = p.chromium.launch(
            headless=False,  # 不要用无头模式（反爬：无头模式易被识别）
            channel="chrome",  # 使用真实Chrome内核
            slow_mo=random.randint(100, 300),  # 全局操作延迟（模拟真人慢速操作）
            args=[
                "--disable-blink-features=AutomationControlled",  # 禁用webdriver特征（核心！）
                "--enable-automation=false",  # 新增：禁用自动化标识
                "--disable-infobars",  # 新增：禁用信息栏
                "--remote-debugging-port=0",  # 新增：随机调试端口
                "--start-maximized",  # 最大化窗口（模拟真人使用）
                "--disable-extensions",  # 禁用扩展（避免特征）
                "--disable-plugins-discovery",  # 禁用插件发现
                "--no-sandbox",  # 避免沙箱模式特征
                "--disable-dev-shm-usage",  # 避免内存限制导致的异常
                f"--user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/{random.randint(110, 120)}.0.0.0 Safari/537.36"  # 随机Chrome版本的UA
            ]
        )
        # 创建页面时伪装指纹
        context = browser.new_context(
            locale="zh-CN",  # 中文环境
            timezone_id="Asia/Shanghai",  # 上海时区
            geolocation={"latitude": 31.230416, "longitude": 121.473701},  # 模拟上海地理位置（可选）
            permissions=["geolocation"],  # 授予定位权限（模拟真人）
            user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
            viewport={"width": 1920, "height": 1080},
            # 关键：隐藏自动化特征
            java_script_enabled=True,
            bypass_csp=True,
            # user_data_dir="./temp_user_data"  # 模拟真实用户数据目录
        )

        page = context.new_page()


        # 关键：移除navigator.webdriver标识（反爬核心）
        page.add_init_script("""
            Object.defineProperty(navigator, 'webdriver', { get: () => undefined });
            Object.defineProperty(navigator, 'plugins', { get: () => [1, 2, 3] });  // 新增：模拟插件
            Object.defineProperty(navigator, 'mimeTypes', { get: () => [1, 2, 3] });  // 新增：模拟MIME类型
            window.chrome = { runtime: {}, loadTimes: () => ({}) };  // 增强Chrome模拟
            delete window.navigator.languages;
            window.navigator.languages = ['zh-CN', 'zh'];
            // 新增：模拟真实鼠标移动特征
            (() => {
                const originalAddEventListener = EventTarget.prototype.addEventListener;
                EventTarget.prototype.addEventListener = function(type, listener) {
                    if (type === 'mousemove') {
                        return originalAddEventListener.call(this, type, (e) => {
                            e._automation = undefined;
                            listener(e);
                        });
                    }
                    return originalAddEventListener.call(this, type, listener);
                };
            })();
""")


        try:
            # ========== 核心：Cookie复用逻辑 ==========
            # 1. 加载本地Cookie
            load_cookies(context)

            # 2. 验证登录状态
            if not is_login(page):
                # 3. Cookie失效/不存在，执行登录
                page.goto(TARGET_LOGIN_URL)
                page.wait_for_load_state("networkidle")
                logger.info("🔑 开始执行登录流程")

                # 执行登录操作
                login_success = login_operation(page, USERNAME, PASSWORD)
                if not login_success:
                    logger.error(" 登录失败，程序终止")
                    return

                # 4. 登录成功后保存Cookie
                save_cookies(context)
                logger.info(" 登录并保存Cookie成功！")



            # 2. 批量搜索+采集+保存
            for keyword_idx, keyword in enumerate(SEARCH_KEYWORDS, 1):
                logger.info(f"\n=====================================")
                logger.info(f"🔍 开始处理第{keyword_idx}/{len(SEARCH_KEYWORDS)}个关键词：{keyword}")
                logger.info(f"=====================================")

                # 执行搜索
                popup_guard(page, "before_search")
                search_success = search_operation(page, keyword)
                # input("")
                popup_guard(page, "after_search")

                if not search_success:
                    logger.warning(f" 「{keyword}」搜索失败，跳过采集")
                    continue



                # ✅ 再等页面稳定一下（networkidle 有时会等不到，建议加超时或换成 domcontentloaded）
                page.wait_for_load_state("domcontentloaded")


                page.wait_for_load_state('networkidle')

                # 采集数据
                data_list = collect_data1(page, keyword)

                # # 保存到CSV
                # if data_list:
                #     save_to_csv(data_list)
                # else:
                #     logger.warning(f" 「{keyword}」无数据，跳过保存")

            logger.info("\n🎉 所有关键词处理完成！CSV文件路径：" + os.path.abspath(CSV_FILE_PATH))
            input("\n按回车关闭程序...")

        except Exception as e:
            logger.error(f" 程序异常：{str(e)}")
        finally:
            browser.close()
            logger.info(" 浏览器已关闭，程序结束")
if __name__ == '__main__':
    main()