scraper.py

import requests
from bs4 import BeautifulSoup
import logging
import json
import time
from typing import List, Dict
from random import choice
from datetime import datetime

# Logging setup
logging.basicConfig(
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    level=logging.INFO,
    handlers=[logging.FileHandler("scraper.log", encoding='utf-8'), logging.StreamHandler()]
)
logger = logging.getLogger(__name__)

# قائمة User-Agent عشوائية لتجنب الحظر
USER_AGENTS = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/14.1.1 Safari/605.1.15",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0"
]

# Headers لمحاكاة متصفح حقيقي
def get_headers() -> dict:
    return {
        "User-Agent": choice(USER_AGENTS),
        "Accept-Language": "en-US,en;q=0.9",
        "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
        "Connection": "keep-alive"
    }

def scrape_website(url: str, retries: int = 3) -> List[Dict]:
    """
    جمع بيانات السيارات من موقع ويب معين مع إعادة المحاولة عند الفشل.
    """
    for attempt in range(retries):
        try:
            response = requests.get(url, headers=get_headers(), timeout=10)
            response.raise_for_status()
            soup = BeautifulSoup(response.content, "html.parser")
            cars_data = []

            # محددات عامة (يجب تعديلها حسب هيكلية كل موقع)
            car_listings = soup.select(".car-item, .listing-item, .product-item, .car-listing, .ad-item, .vehicle-item")
            if not car_listings:
                logger.warning(f"لم يتم العثور على قوائم سيارات في {url}. تحققي من المحددات.")
                return cars_data

            for car in car_listings:
                try:
                    car_data = {}
                    # تحقق من وجود العنصر قبل استخراج النص
                    name_elem = car.select_one(".car-title, .product-title, .listing-title, .ad-title, .vehicle-title, h2, h3")
                    car_data["name"] = name_elem.text.strip() if name_elem else "غير محدد"
                    
                    price_elem = car.select_one(".car-price, .price, .product-price, .listing-price, .ad-price")
                    car_data["price"] = price_elem.text.strip() if price_elem else "غير محدد"
                    
                    year_elem = car.select_one(".car-year, .year, .model-year")
                    car_data["model_year"] = year_elem.text.strip() if year_elem else "غير محدد"
                    
                    location_elem = car.select_one(".car-location, .location, .city")
                    car_data["location"] = location_elem.text.strip() if location_elem else "غير محدد"
                    
                    desc_elem = car.select_one(".car-description, .description, .details")
                    car_data["description"] = desc_elem.text.strip() if desc_elem else "غير محدد"
                    
                    # إضافة بيانات الصيانة وقطع الغيار
                    maintenance_elem = car.select_one(".maintenance, .service-info")
                    car_data["maintenance"] = maintenance_elem.text.strip() if maintenance_elem else "غير محدد"
                    
                    spare_parts_elem = car.select_one(".spare-parts, .parts-info")
                    car_data["spare_parts"] = spare_parts_elem.text.strip() if spare_parts_elem else "غير محدد"
                    
                    car_data["source"] = url.split("//")[1].split("/")[0]
                    car_data["scraped_at"] = datetime.now().isoformat()
                    cars_data.append(car_data)
                    logger.info(f"تم جمع بيانات: {car_data['name']} - {car_data['price']} من {url}")
                except Exception as e:
                    logger.error(f"خطأ في استخراج بيانات سيارة من {url}: {str(e)}")
                    continue

            return cars_data
        except requests.exceptions.RequestException as e:
            logger.error(f"خطأ في الاتصال بـ {url} (محاولة {attempt + 1}/{retries}): {str(e)}")
            if attempt < retries - 1:
                time.sleep(5 * (attempt + 1))  # تأخير متزايد
            else:
                return []
        except Exception as e:
            logger.error(f"خطأ غير متوقع في scrape_website لـ {url}: {str(e)}")
            return []

def save_data(data: List[Dict], filename: str = "cars_data.json"):
    """
    تخزين البيانات في ملف JSON.
    """
    try:
        with open(filename, "w", encoding="utf-8") as f:
            json.dump(data, f, ensure_ascii=False, indent=4)
        logger.info(f"تم تخزين {len(data)} عنصر في {filename}")
    except Exception as e:
        logger.error(f"خطأ في تخزين البيانات في {filename}: {str(e)}")

if __name__ == "__main__":
    websites = [
        "https://iq.labeb.com/ct/cars-for-sale-558",
        "https://www.akosayara.com/",
        "https://www.iqcars.net/",
        "https://alrashad.com.iq/",
        "https://website.tao.iq/index.php/ar/",
        "https://www.quattro-iq.com/home-ar",
        "https://iq.opensooq.com/ar/%D9%85%D8%B1%D8%A7%D9%83%D8%B2-%D8%AE%D8%AF%D9%85%D8%A7%D8%AA-%D8%A7%D9%84%D8%B3%D9%8A%D8%A7%D8%B1%D8%A7%D8%AA/%D8%A7%D9%84%D8%AE%D8%AF%D9%85%D8%A7%D8%AA/%D9%82%D8%B7%D8%B9-%D8%BA%D9%8A%D8%A7%D8%B1",
        "https://ghiarati.com/",
        "https://www.motors.iq/",
        "https://www.alsayyara.com/"
    ]

    while True:
        all_cars_data = []
        for url in websites:
            logger.info(f"جمع البيانات من {url}")
            cars_data = scrape_website(url)
            all_cars_data.extend(cars_data)
            time.sleep(5)  # تأخير 5 ثواني لتجنب الحظر

        save_data(all_cars_data)
        logger.info("تم الانتهاء من جمع البيانات. النوم لمدة ساعة...")
        time.sleep(3600)  # تحديث كل ساعة