refactor: vwts_scraper — proper Python package structure

- Split single file into 8 focused modules (399 lines total):
  config.py — constants
  fetch.py — HTTP GET with retries
  paginate.py — page_count + HEAD verification
  parse.py — HTML parsing (topics, posts, tags)
  state.py — per-section state.json
  output.py — JSONL with file rotation
  run.py — main orchestration loop
  __main__.py — CLI entry point
- Run: python -m vwts_scraper <URL>
- Page count method fully tested (13 sections, 100+ topics, 0 errors)
- Resume support (Ctrl+C → state saved)
- Per-section state files (no conflicts between sections)

vwts_scraper/__init__.py

@@ -0,0 +1 @@
+"""vwts.ru scraper — парсинг форума Volkswagen Technical Site."""

vwts_scraper/__main__.py

@@ -0,0 +1,48 @@
+"""Точка входа.
+
+Использование:
+  python -m vwts_scraper https://vwts.ru/forum/vag/benzinovye-dvigateli/
+
+Пауза: Ctrl+C → состояние сохраняется.
+Продолжить: та же команда.
+"""
+
+import sys, logging
+from pathlib import Path
+
+# Настройка логирования
+OUTPUT_DIR = Path("vwts_data")
+OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
+
+logging.basicConfig(
+    level=logging.INFO,
+    format="%(asctime)s [%(levelname)s] %(message)s",
+    datefmt="%H:%M:%S",
+    handlers=[
+        logging.StreamHandler(sys.stdout),
+        logging.FileHandler(OUTPUT_DIR / "scraper.log", encoding="utf-8"),
+    ],
+)
+
+if __name__ == "__main__":
+    if len(sys.argv) < 2:
+        print("❌ Укажи URL раздела. Пример:")
+        print("   python -m vwts_scraper "
+              "https://vwts.ru/forum/vag/benzinovye-dvigateli/")
+        sys.exit(1)
+
+    from .run import run
+    section_url = sys.argv[1].rstrip("/") + "/"
+
+    log = logging.getLogger(__name__)
+    log.info("=" * 60)
+    log.info(f"🚀 vwts.ru — раздел: {section_url.split('/')[-2]}")
+    log.info(f"📂 {OUTPUT_DIR}/{section_url.split('/')[-2]}/part_*.jsonl")
+    log.info("🛑 Ctrl+C = пауза | Повторить команду = продолжить")
+    log.info("=" * 60)
+
+    try:
+        run(section_url)
+    except KeyboardInterrupt:
+        log.info("\n🛑 ПАУЗА. Продолжить: та же команда.")
+        sys.exit(0)

vwts_scraper/config.py

@@ -0,0 +1,13 @@
+"""Константы."""
+
+import socket
+
+# Глобальный таймаут сокетов
+socket.setdefaulttimeout(30)
+
+DELAY        = 1.5                      # секунд между запросами
+TIMEOUT      = (10, 30)                 # (connect, read)
+TOPICS_PER_FILE = 100
+HEADERS = {
+    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
+}

vwts_scraper/fetch.py

@@ -0,0 +1,33 @@
+"""HTTP-запросы: GET с ретраями, 404 без ретрая."""
+
+import time, logging
+from bs4 import BeautifulSoup
+import requests
+from .config import DELAY, TIMEOUT, HEADERS
+
+log = logging.getLogger(__name__)
+
+session = requests.Session()
+session.headers.update(HEADERS)
+
+
+def get(url: str) -> BeautifulSoup | None:
+    """GET + ретраи (до 3). 404 — без ретрая, сразу None."""
+    time.sleep(DELAY)
+    for n in range(3):
+        try:
+            r = session.get(url, timeout=TIMEOUT)
+            if r.status_code == 404:
+                log.warning(f"   ⏭️  404: {url[:80]}")
+                return None
+            if r.status_code in (403, 429, 503):
+                log.warning(f"⚠️  HTTP {r.status_code} — жду {10*(n+1)}с")
+                time.sleep(10 * (n + 1))
+                continue
+            r.raise_for_status()
+            return BeautifulSoup(r.text, "lxml")
+        except Exception as e:
+            log.warning(f"⚠️  Попытка {n+1}/3: {e}")
+            time.sleep(5)
+    log.error(f"❌ Не загружено: {url[:80]}")
+    return None

vwts_scraper/output.py

@@ -0,0 +1,41 @@
+"""Сохранение темы в JSONL. Ротация каждые TOPICS_PER_FILE тем."""
+
+import json, logging
+from datetime import datetime
+from pathlib import Path
+from .config import TOPICS_PER_FILE
+
+OUTPUT_DIR = Path("vwts_data")
+log = logging.getLogger(__name__)
+
+
+def save_topic(section_slug: str, section_name: str, topic: dict,
+               posts: list, tags: list, state: dict):
+    """Записать тему в part_XXXX.jsonl. Ротирует файл каждые N тем."""
+    st = state
+
+    # ротация
+    if st["topic_count"] > 0 and st["topic_count"] % TOPICS_PER_FILE == 0:
+        st["file_index"] += 1
+
+    record = {
+        "section": section_name,
+        "topic_id": topic["id"],
+        "topic_title": topic["title"],
+        "topic_url": topic["url"],
+        "total_posts": len(posts),
+        "posts": posts,
+        "tags": tags,
+        "scraped_at": datetime.now().isoformat(),
+    }
+
+    d = OUTPUT_DIR / section_slug
+    d.mkdir(parents=True, exist_ok=True)
+    fpath = d / f"part_{st['file_index']:04d}.jsonl"
+
+    with open(fpath, "a", encoding="utf-8") as fh:
+        fh.write(json.dumps(record, ensure_ascii=False) + "\n")
+
+    st["topic_count"] += 1
+    log.info(f"      💾 part_{st['file_index']:04d}.jsonl "
+             f"({fpath.stat().st_size/1024/1024:.1f} MB)")

vwts_scraper/paginate.py

@@ -0,0 +1,81 @@
+"""Определение количества страниц в пагинации XenForo.
+
+Работает ТОЛЬКО внутри div.pageNav — не ловит числа из аватаров,
+текста постов, путей к файлам (например /avatars/m/32/32165.jpg).
+"""
+
+import re, logging
+from bs4 import BeautifulSoup
+
+log = logging.getLogger(__name__)
+
+
+def count(soup: BeautifulSoup) -> int:
+    """Сколько страниц. Если пагинации нет — 1.
+
+    Принцип:
+      <div class="pageNav">
+        <a>1</a>              ← текущая (без page-N в href)
+        <a href="page-2">2</a> ← соседняя
+        <a>…</a>              ← эллипсис → ValueError → пропускаем
+        <a href="page-218">218</a> ← последняя
+      </div>
+
+    ВСЕ номера страниц видны на любой странице.
+    Кнопки <button>Выполнить</button> не трогаем — ищем только <a>.
+    """
+    nav = soup.select_one("div.pageNav")
+    if not nav:
+        return 1
+
+    nums = set()
+    for a in nav.select("a"):
+        href = a.get("href", "")
+        text = a.text.strip()
+
+        # page-N из href
+        m = re.search(r"page-(\d+)", href)
+        if m:
+            nums.add(int(m.group(1)))
+
+        # текущая страница: число без page-N в href
+        try:
+            nums.add(int(text))
+        except ValueError:
+            pass               # "…", "Назад", "Вперёд"
+
+    return max(nums) if nums else 1
+
+
+def verify_last(section_url: str, claimed: int, session) -> int:
+    """HEAD-запросами проверяет реальную последнюю страницу.
+
+    Если сайт показывает 218, но page-218 → 404 (админ потёр часть тем,
+    пагинацию не пересчитали) — бинарным поиском находит реальную границу.
+    """
+    if claimed <= 1:
+        return claimed
+
+    try:
+        import requests
+        r = session.head(f"{section_url}page-{claimed}",
+                         timeout=(10, 30), allow_redirects=True)
+        if r.status_code < 400:
+            return claimed
+
+        # Бинарный поиск
+        lo, hi = 1, claimed
+        while lo < hi:
+            mid = (lo + hi + 1) // 2
+            hr = session.head(f"{section_url}page-{mid}",
+                              timeout=(10, 30), allow_redirects=True)
+            if hr.status_code >= 400:
+                hi = mid - 1
+            else:
+                lo = mid
+
+        log.warning(f"   Пагинация врала: {claimed} → реально {lo}")
+        return lo
+
+    except Exception:
+        return claimed            # не смогли — верим сайту

vwts_scraper/parse.py

@@ -0,0 +1,47 @@
+"""Парсинг HTML: темы, посты, теги."""
+
+import re
+from bs4 import BeautifulSoup
+
+
+def parse_topics(soup: BeautifulSoup) -> list:
+    """Список тем со страницы раздела."""
+    items = []
+    for div in soup.select("div.structItem"):
+        a = div.select_one("div.structItem-title a")
+        if not a:
+            continue
+        m = re.search(r"/topic/(\d+)/", a.get("href", ""))
+        if not m:
+            continue
+        items.append({
+            "id": int(m.group(1)),
+            "title": a.text.strip(),
+            "url": f"https://vwts.ru/forum/topic/{m.group(1)}/"
+        })
+    return items
+
+
+def parse_posts(soup: BeautifulSoup) -> list:
+    """Посты с одной страницы темы."""
+    out = []
+    for art in soup.select("article.message"):
+        aname = art.select_one("h4.message-name")
+        author = aname.get_text(strip=True) if aname else "?"
+        t = art.select_one("time.u-dt")
+        date = t.get("datetime", "") if t else ""
+        n = art.select_one("ul.message-attribution-opposite a")
+        num = n.text.strip() if n else ""
+        content = art.select_one("div.message-content")
+        text = ""
+        if content:
+            for h in content.select("div[style*='none'], span[style*='none'], details"):
+                h.decompose()
+            text = content.get_text("\n", strip=True)
+        out.append({"author": author, "date": date, "num": num, "text": text})
+    return out
+
+
+def parse_tags(soup: BeautifulSoup) -> list:
+    """Теги из шапки темы."""
+    return [t.text.strip() for t in soup.select("li.tagItem a")]

vwts_scraper/run.py

@@ -0,0 +1,111 @@
+"""Основной цикл: обход страниц раздела → темы → посты → сохранение."""
+
+import sys, logging
+from .config import HEADERS
+from .fetch import get, session
+from .paginate import count, verify_last
+from .parse import parse_topics, parse_posts, parse_tags
+from .state import load, save
+from .output import save_topic
+
+log = logging.getLogger(__name__)
+
+
+def run(section_url: str):
+    """Главный цикл скрейпера.
+
+    Args:
+        section_url: полный URL раздела, напр.
+            https://vwts.ru/forum/vag/benzinovye-dvigateli/
+    """
+    section_slug = section_url.rstrip("/").split("/")[-1]
+
+    # загружаем состояние (если было прервано — продолжим)
+    st = load(section_slug)
+    if st["topics_done"]:
+        log.info(f"🔄 Продолжаем: {len(st['topics_done'])} тем, "
+                 f"part_{st['file_index']:04d}.jsonl")
+
+    # ── Страница 1: название раздела + количество страниц ────────────────
+    soup = get(section_url)
+    if not soup:
+        log.error("❌ Сайт недоступен")
+        sys.exit(1)
+
+    section_name = soup.select_one("h1")
+    section_name = section_name.text.strip() if section_name else section_slug
+
+    total_pages = count(soup)
+    # Проверяем: последняя страница реально существует?
+    total_pages = verify_last(section_url, total_pages, session)
+    log.info(f"📋 {section_name} | страниц: {total_pages}")
+
+    # ── Обход страниц раздела ───────────────────────────────────────────
+    consecutive_404 = 0
+
+    for pg in range(1, total_pages + 1):
+        if pg in st["pages_done"]:
+            consecutive_404 = 0
+            continue
+
+        url = f"{section_url}page-{pg}"
+        log.info(f"📄 [{pg}/{total_pages}]")
+
+        page_soup = get(url)
+        if not page_soup:
+            consecutive_404 += 1
+            # 3 пустых страницы подряд = раздел закончился раньше
+            if consecutive_404 >= 3:
+                log.info(f"   ⏹️  {consecutive_404} пустых подряд — завершаем")
+                break
+            log.warning(f"   ⚠️  Пропущена стр.{pg} "
+                        f"(пустых подряд: {consecutive_404})")
+            continue
+        consecutive_404 = 0
+
+        topics = parse_topics(page_soup)
+        log.info(f"   Тем: {len(topics)}")
+
+        # ── Обход тем на странице ──────────────────────────────────────
+        for i, tp in enumerate(topics, 1):
+            tid = tp["id"]
+            if str(tid) in st["topics_done"]:
+                continue
+
+            log.info(f"   [{i}/{len(topics)}] #{tid}: {tp['title'][:80]}")
+            topic_soup = get(tp["url"])
+            if not topic_soup:
+                # не удалось — помечаем чтобы не ретраить бесконечно
+                st["topics_done"][str(tid)] = tp["title"]
+                save(section_slug, st)
+                continue
+
+            topic_pages = count(topic_soup)
+            posts, tags = [], parse_tags(topic_soup)
+
+            # ── Обход страниц темы ────────────────────────────────────
+            for tpp in range(1, topic_pages + 1):
+                if tpp == 1:
+                    posts += parse_posts(topic_soup)
+                else:
+                    tp2 = get(f"https://vwts.ru/forum/topic/{tid}/page-{tpp}")
+                    if tp2:
+                        posts += parse_posts(tp2)
+
+            log.info(f"      {len(posts)} постов ({topic_pages} стр.), "
+                     f"теги: {tags}")
+            save_topic(section_slug, section_name, tp, posts, tags, st)
+            st["topics_done"][str(tid)] = tp["title"]
+            save(section_slug, st)
+
+        st["pages_done"].append(pg)
+        save(section_slug, st)
+
+    # ── Итог ────────────────────────────────────────────────────────────
+    log.info("=" * 60)
+    log.info(f"✅ '{section_name}' — {st['topic_count']} тем "
+             f"в {st['file_index']+1} частях")
+    for f in sorted((__import__('pathlib').Path('vwts_data') /
+                      section_slug).glob("part_*.jsonl")):
+        log.info(f"   📄 {f.name} ({f.stat().st_size/1024/1024:.1f} MB)")
+    log.info("=" * 60)

vwts_scraper/state.py

@@ -0,0 +1,24 @@
+"""Управление состоянием (state.json в папке раздела)."""
+
+import json
+from pathlib import Path
+
+OUTPUT_DIR = Path("vwts_data")
+
+
+def _state_file(section_slug: str) -> Path:
+    d = OUTPUT_DIR / section_slug
+    d.mkdir(parents=True, exist_ok=True)
+    return d / "state.json"
+
+
+def load(section_slug: str) -> dict:
+    f = _state_file(section_slug)
+    if f.exists():
+        return json.loads(f.read_text(encoding="utf-8"))
+    return {"topics_done": {}, "pages_done": [], "file_index": 0, "topic_count": 0}
+
+
+def save(section_slug: str, st: dict):
+    _state_file(section_slug).write_text(
+        json.dumps(st, ensure_ascii=False, indent=2), encoding="utf-8")