hyungi_document_server/services/playwright-fetcher/server.py

"""B-3 구독 세션 Playwright fetcher (plan crawl-24x7-1) + 익명 브라우저 fetch/다운로드 (사이클 3).

storage_state JSON(쿠키+localStorage 스냅샷) 기반 인증 페이지 fetch + 내용 기반 probe.
- 동시 1 인스턴스 (글로벌 세마포어) — 계정 보호 + 사람 속도는 호출측 politeness 가 담당.
- 요청당 브라우저 기동/종료 — 컨텍스트 메모리 누적·hang 잔존 차단 (저빈도라 기동비용 무관).
- 세션 파일: /auth/{profile}.json (호스트 ~/.local/share/crawl-auth/, ro mount, 600).
  부재 = 503 profile_missing (silent fallback 없음 — 호출측이 degrade).
- 시간 기반 만료 판정 금지 — probe 는 알려진 유료 기사에서 본문 길이 + 페이월 마커 부재 검증
  (만료 후 200 '페이월 안내문'이 본문으로 저장되는 silent corruption 차단).

사이클 3 증축 (C-2 CCPS Beacon — aiche.org 가 평문 httpx 를 UA 무관 403):
- /fetch profile 생략 = 익명 컨텍스트 (storage_state 없음, 공개 페이지의 WAF 우회 전용).
- /download = referer 페이지를 먼저 방문(WAF 쿠키 획득) 후 같은 컨텍스트의
  request.get 으로 바이너리(PDF) 다운로드 — base64 반환, 60MB cap.
"""

import asyncio
import base64
import logging
from pathlib import Path

from fastapi import FastAPI, HTTPException
from playwright.async_api import async_playwright, Error as PlaywrightError
from pydantic import BaseModel, Field

logging.basicConfig(level=logging.INFO, format="[%(levelname)s] %(message)s")
logger = logging.getLogger("playwright-fetcher")

AUTH_DIR = Path("/auth")
NAV_TIMEOUT_MS = 45_000
SETTLE_MS = 1_500  # domcontentloaded 후 lazy 본문 settle 대기
MAX_DOWNLOAD_BYTES = 60 * 1024 * 1024

app = FastAPI(title="playwright-fetcher")
_browser_slot = asyncio.Semaphore(1)  # 동시 1 인스턴스 (B-3 ① persistent 제약과 동일 규율)


class FetchReq(BaseModel):
    url: str
    # None = 익명 컨텍스트 (공개 페이지 WAF 우회 — CCPS). 값 = B-3 구독 세션.
    profile: str | None = Field(default=None, pattern=r"^[a-z0-9_-]{1,50}$")


class ProbeReq(BaseModel):
    profile: str = Field(pattern=r"^[a-z0-9_-]{1,50}$")
    probe_url: str
    min_body_chars: int = 800
    paywall_markers: list[str] = []


class DownloadReq(BaseModel):
    url: str
    # referer 페이지를 먼저 방문해 WAF 챌린지 쿠키를 컨텍스트에 적재 후 다운로드
    referer: str | None = None
    profile: str | None = Field(default=None, pattern=r"^[a-z0-9_-]{1,50}$")


def _state_path(profile: str) -> Path:
    p = AUTH_DIR / f"{profile}.json"
    if not p.is_file():
        raise HTTPException(503, detail={"error_reason": "profile_missing", "profile": profile})
    return p


def _context_kwargs(state: Path | None) -> dict:
    kwargs = {"viewport": {"width": 1366, "height": 900}}
    if state is not None:
        # B-3 르몽드 세션 회귀 방지 — 기존 인증 fetch 의 locale 그대로
        kwargs["storage_state"] = str(state)
        kwargs["locale"] = "fr-FR"
    else:
        kwargs["locale"] = "en-US"
    return kwargs


async def _browse(url: str, state: Path | None) -> tuple[str, str, str]:
    """(html, final_url, visible_text). 요청당 브라우저 — 종료를 finally 로 보장."""
    async with async_playwright() as pw:
        browser = await pw.chromium.launch(headless=True)
        try:
            context = await browser.new_context(**_context_kwargs(state))
            page = await context.new_page()
            await page.goto(url, wait_until="domcontentloaded", timeout=NAV_TIMEOUT_MS)
            await page.wait_for_timeout(SETTLE_MS)
            html = await page.content()
            final_url = page.url
            text = await page.evaluate("document.body ? document.body.innerText : ''")
            return html, final_url, text
        finally:
            await browser.close()


@app.get("/health")
def health():
    profiles = sorted(p.stem for p in AUTH_DIR.glob("*.json")) if AUTH_DIR.is_dir() else []
    return {"status": "ok", "profiles": profiles}


@app.post("/fetch")
async def fetch(req: FetchReq):
    state = _state_path(req.profile) if req.profile else None
    async with _browser_slot:
        try:
            html, final_url, _ = await _browse(req.url, state)
        except PlaywrightError as e:
            logger.warning("fetch 실패 %s: %s", req.url, e)
            raise HTTPException(502, detail={"error_reason": "browse_failed", "message": str(e)[:300]})
    logger.info("fetch ok profile=%s %s (%d bytes)", req.profile or "-", req.url, len(html))
    return {"html": html, "final_url": final_url}


@app.post("/download")
async def download(req: DownloadReq):
    """바이너리(PDF 등) 다운로드 — referer 방문으로 WAF 쿠키 획득 후 같은 컨텍스트로 GET.

    응답의 status/content_type 판정은 호출측(crawl_politeness) 책임 — 여기서는
    전송 계층 오류만 502 로 구분 (silent fallback 없음).
    """
    state = _state_path(req.profile) if req.profile else None
    async with _browser_slot:
        try:
            async with async_playwright() as pw:
                browser = await pw.chromium.launch(headless=True)
                try:
                    context = await browser.new_context(**_context_kwargs(state))
                    if req.referer:
                        page = await context.new_page()
                        await page.goto(req.referer, wait_until="domcontentloaded",
                                        timeout=NAV_TIMEOUT_MS)
                        await page.wait_for_timeout(SETTLE_MS)
                    resp = await context.request.get(req.url, timeout=NAV_TIMEOUT_MS)
                    body = await resp.body()
                finally:
                    await browser.close()
        except PlaywrightError as e:
            logger.warning("download 실패 %s: %s", req.url, e)
            raise HTTPException(502, detail={"error_reason": "download_failed", "message": str(e)[:300]})
    if len(body) > MAX_DOWNLOAD_BYTES:
        raise HTTPException(502, detail={"error_reason": "too_large", "bytes": len(body)})
    logger.info("download status=%d %s (%d bytes)", resp.status, req.url, len(body))
    return {
        "status": resp.status,
        "content_type": resp.headers.get("content-type", ""),
        "body_b64": base64.b64encode(body).decode(),
    }


@app.post("/probe")
async def probe(req: ProbeReq):
    """내용 기반 세션 probe — ok=False 사유를 명시 반환 (호출측이 health 에 기록)."""
    state = _state_path(req.profile)
    async with _browser_slot:
        try:
            _, final_url, text = await _browse(req.probe_url, state)
        except PlaywrightError as e:
            return {"ok": False, "reason": f"browse_failed: {str(e)[:200]}", "body_chars": 0}
    body_chars = len(text.strip())
    hit = next((m for m in req.paywall_markers if m and m.lower() in text.lower()), None)
    if hit:
        return {"ok": False, "reason": f"paywall_marker: {hit}", "body_chars": body_chars}
    if body_chars < req.min_body_chars:
        return {"ok": False, "reason": f"body_too_short: {body_chars} < {req.min_body_chars}",
                "body_chars": body_chars}
    logger.info("probe ok profile=%s (%d chars, final=%s)", req.profile, body_chars, final_url)
    return {"ok": True, "reason": None, "body_chars": body_chars}