211 lines
8.9 KiB
Python
211 lines
8.9 KiB
Python
#!/usr/bin/env python3
|
||
import requests
|
||
import json
|
||
import hashlib
|
||
import logging
|
||
from datetime import datetime
|
||
from bs4 import BeautifulSoup
|
||
|
||
from sqlalchemy import create_engine, Column, Integer, String, Float, DateTime, ForeignKey, Text
|
||
from sqlalchemy.orm import declarative_base, relationship, sessionmaker
|
||
|
||
# Konfiguriere Logging – passe das Level bei Bedarf an (DEBUG, INFO, WARNING, ERROR)
|
||
DEBUG_LEVEL = logging.DEBUG
|
||
logging.basicConfig(
|
||
level=DEBUG_LEVEL,
|
||
format="%(asctime)s [%(levelname)s] %(message)s",
|
||
datefmt="%Y-%m-%d %H:%M:%S"
|
||
)
|
||
logger = logging.getLogger(__name__)
|
||
|
||
# Basis-Klasse für SQLAlchemy-Modelle (SQLAlchemy 2.0-konform)
|
||
Base = declarative_base()
|
||
|
||
# Tabelle für das Bundle (statische Identifikation)
|
||
class Bundle(Base):
|
||
__tablename__ = 'bundles'
|
||
id = Column(Integer, primary_key=True)
|
||
machine_name = Column(String, unique=True)
|
||
human_name = Column(String)
|
||
# current_version_id verweist auf die aktuelle Version in bundle_versions
|
||
current_version_id = Column(Integer, ForeignKey('bundle_versions.id'))
|
||
|
||
# Beziehung zur aktuellen Version; post_update=True hilft bei zirkulären Abhängigkeiten
|
||
current_version = relationship("BundleVersion", uselist=False,
|
||
foreign_keys=[current_version_id],
|
||
post_update=True)
|
||
# Alle Versionen (historisch)
|
||
versions = relationship("BundleVersion", back_populates="bundle",
|
||
foreign_keys=lambda: [BundleVersion.bundle_id])
|
||
# Verkaufshistorie
|
||
sales_history = relationship("BundleSalesHistory", back_populates="bundle")
|
||
|
||
# Tabelle für Versionen eines Bundles
|
||
class BundleVersion(Base):
|
||
__tablename__ = 'bundle_versions'
|
||
id = Column(Integer, primary_key=True)
|
||
bundle_id = Column(Integer, ForeignKey('bundles.id'))
|
||
version_hash = Column(String)
|
||
version_data = Column(Text) # Relevante Bundle-Daten als JSON-String
|
||
timestamp = Column(DateTime, default=datetime.utcnow)
|
||
|
||
# Eindeutige Beziehung: wir verwenden hier explizit bundle_id
|
||
bundle = relationship("Bundle", back_populates="versions", foreign_keys=[bundle_id])
|
||
|
||
# Tabelle für Verkaufshistorie
|
||
class BundleSalesHistory(Base):
|
||
__tablename__ = 'bundle_sales_history'
|
||
id = Column(Integer, primary_key=True)
|
||
bundle_id = Column(Integer, ForeignKey('bundles.id'))
|
||
bundles_sold = Column(Float)
|
||
timestamp = Column(DateTime, default=datetime.utcnow)
|
||
|
||
bundle = relationship("Bundle", back_populates="sales_history")
|
||
|
||
def calculate_hash(data: dict) -> str:
|
||
"""Berechnet einen SHA-256 Hash aus dem sortierten JSON-String der relevanten Daten."""
|
||
json_string = json.dumps(data, sort_keys=True, ensure_ascii=False)
|
||
hash_value = hashlib.sha256(json_string.encode('utf-8')).hexdigest()
|
||
logger.debug(f"Berechneter Hash: {hash_value}")
|
||
return hash_value
|
||
|
||
def fetch_bundle_data(url: str) -> dict:
|
||
"""Lädt die Detailseite eines Bundles und extrahiert den JSON-Inhalt aus dem <script>-Tag 'webpack-bundle-page-data'."""
|
||
logger.info(f"Rufe Bundle-Daten von {url} ab...")
|
||
response = requests.get(url)
|
||
response.raise_for_status()
|
||
soup = BeautifulSoup(response.text, "html.parser")
|
||
script_tag = soup.find("script", {"id": "webpack-bundle-page-data", "type": "application/json"})
|
||
if not script_tag:
|
||
logger.error("Kein JSON-Datenblock 'webpack-bundle-page-data' gefunden!")
|
||
raise ValueError("Kein JSON-Datenblock gefunden!")
|
||
data = json.loads(script_tag.string)
|
||
logger.debug(f"Erhaltener JSON-Block: {str(data)[:200]} ...")
|
||
return data
|
||
|
||
def process_bundle(session, url: str):
|
||
"""
|
||
Verarbeitet ein einzelnes Bundle:
|
||
- Lädt die Detailseite und extrahiert den JSON-Datensatz (bundleData)
|
||
- Berechnet einen Hash des relevanten Datenbereichs
|
||
- Vergleicht mit der letzten Version in der DB und speichert bei Änderung eine neue Version
|
||
- Speichert Verkaufszahlen in einer separaten Tabelle
|
||
"""
|
||
try:
|
||
data = fetch_bundle_data(url)
|
||
except Exception as e:
|
||
logger.error(f"Fehler beim Laden der Bundle-Daten von {url}: {e}")
|
||
return
|
||
|
||
bundle_data = data.get("bundleData", {})
|
||
machine_name = bundle_data.get("machine_name", "")
|
||
human_name = bundle_data.get("human_name", "")
|
||
logger.info(f"Verarbeite Bundle '{human_name}' (machine_name: {machine_name})")
|
||
|
||
# Wir nehmen das gesamte bundleData als relevanten Datenausschnitt
|
||
relevant_data = bundle_data
|
||
new_hash = calculate_hash(relevant_data)
|
||
|
||
# Suche, ob das Bundle bereits existiert
|
||
bundle = session.query(Bundle).filter_by(machine_name=machine_name).first()
|
||
if not bundle:
|
||
logger.info(f"Neues Bundle gefunden: {human_name}")
|
||
bundle = Bundle(machine_name=machine_name, human_name=human_name)
|
||
session.add(bundle)
|
||
session.commit()
|
||
else:
|
||
logger.debug(f"Bundle '{human_name}' existiert bereits (ID: {bundle.id})")
|
||
|
||
# Hole die aktuellste Version dieses Bundles
|
||
latest_version = (session.query(BundleVersion)
|
||
.filter_by(bundle_id=bundle.id)
|
||
.order_by(BundleVersion.timestamp.desc())
|
||
.first())
|
||
|
||
if latest_version is None or latest_version.version_hash != new_hash:
|
||
logger.info(f"Neue Version für Bundle '{human_name}' wird gespeichert (alter Hash: {latest_version.version_hash if latest_version else 'None'}, neuer Hash: {new_hash}).")
|
||
new_version = BundleVersion(
|
||
bundle_id=bundle.id,
|
||
version_hash=new_hash,
|
||
version_data=json.dumps(relevant_data, sort_keys=True, ensure_ascii=False)
|
||
)
|
||
session.add(new_version)
|
||
session.commit()
|
||
bundle.current_version_id = new_version.id
|
||
session.commit()
|
||
else:
|
||
logger.info(f"Bundle '{human_name}' hat sich nicht geändert.")
|
||
|
||
# Verkaufszahlen extrahieren – angenommen, sie stehen entweder direkt in bundleData oder unter basic_data
|
||
bundles_sold = bundle_data.get("bundles_sold|decimal")
|
||
if bundles_sold is None:
|
||
bundles_sold = bundle_data.get("basic_data", {}).get("bundles_sold|decimal")
|
||
if bundles_sold is not None:
|
||
try:
|
||
sales_value = float(bundles_sold)
|
||
sales_entry = BundleSalesHistory(
|
||
bundle_id=bundle.id,
|
||
bundles_sold=sales_value
|
||
)
|
||
session.add(sales_entry)
|
||
session.commit()
|
||
logger.info(f"Verkaufszahlen für Bundle '{human_name}' aktualisiert: {sales_value}")
|
||
except Exception as e:
|
||
logger.error(f"Fehler beim Speichern der Verkaufszahlen für {human_name}: {e}")
|
||
else:
|
||
logger.debug(f"Keine Verkaufszahlen für Bundle '{human_name}' gefunden.")
|
||
|
||
def get_bundle_urls(overview_url: str) -> list:
|
||
"""
|
||
Ruft die Übersichtsseite ab und extrahiert alle Bundle-URLs aus dem JSON-Datenblock im <script>-Tag 'landingPage-json-data'.
|
||
"""
|
||
logger.info(f"Rufe Übersichtsseite {overview_url} ab...")
|
||
response = requests.get(overview_url)
|
||
response.raise_for_status()
|
||
soup = BeautifulSoup(response.text, "html.parser")
|
||
bundle_urls = []
|
||
landing_script = soup.find("script", {"id": "landingPage-json-data", "type": "application/json"})
|
||
if landing_script:
|
||
landing_data = json.loads(landing_script.string)
|
||
logger.debug(f"Landing Page JSON (gekürzt): {str(landing_data)[:200]} ...")
|
||
# Durchlaufe die Kategorien "books", "games" und "software"
|
||
for category in ["books", "games", "software"]:
|
||
cat_data = landing_data.get("data", {}).get(category, {})
|
||
for section in cat_data.get("mosaic", []):
|
||
for product in section.get("products", []):
|
||
url = product.get("product_url", "")
|
||
if url:
|
||
full_url = requests.compat.urljoin(overview_url, url)
|
||
bundle_urls.append(full_url)
|
||
else:
|
||
logger.warning("Kein JSON-Datenblock 'landingPage-json-data' auf der Übersichtsseite gefunden.")
|
||
logger.info(f"Gefundene Bundle-URLs: {len(bundle_urls)}")
|
||
return bundle_urls
|
||
|
||
def main():
|
||
engine = create_engine('sqlite:///bundles.db')
|
||
Base.metadata.create_all(engine)
|
||
Session = sessionmaker(bind=engine)
|
||
session = Session()
|
||
|
||
overview_url = "https://www.humblebundle.com/bundles"
|
||
try:
|
||
bundle_urls = get_bundle_urls(overview_url)
|
||
if not bundle_urls:
|
||
logger.error("Keine Bundle-URLs gefunden! Überprüfe den JSON-Datenblock oder den Selektor in get_bundle_urls().")
|
||
return
|
||
except Exception as e:
|
||
logger.error(f"Fehler beim Abrufen der Übersichtsseite: {e}")
|
||
return
|
||
|
||
# Für jede Bundle-URL verarbeiten
|
||
for url in bundle_urls:
|
||
logger.info(f"Verarbeite Bundle: {url}")
|
||
try:
|
||
process_bundle(session, url)
|
||
except Exception as e:
|
||
logger.error(f"Fehler beim Verarbeiten von {url}: {e}")
|
||
|
||
if __name__ == "__main__":
|
||
main()
|