feat(web-search): implement two-phase smart search pipeline
Add metadata-first search approach followed by targeted scraping of top URLs. Includes: - New `smartSearchRag` method in web search service - Metadata-only search endpoint in Tauri backend - Bulk URL scraping capability - Payload content override in chat messages
This commit is contained in:
1 parent
5c1a859925
commit
c06e7ae5cf
6 files changed
+380
-10
No files matched your search
+64
-1
@@ -19,7 +19,18 @@ mod scheduler_loop;
|
||||
mod sources_config;
|
||||
mod system_monitor;
|
||||
|
||||
use web_scraper::{ScrapedContent, create_browser, search_and_scrape, search_and_scrape_with_config, scrape_url, SearchConfig};
|
||||
use web_scraper::{
|
||||
ScrapedContent,
|
||||
SearchResultMetadata,
|
||||
create_browser,
|
||||
search_and_scrape,
|
||||
search_and_scrape_with_config,
|
||||
scrape_url,
|
||||
SearchConfig,
|
||||
search_duckduckgo_metadata,
|
||||
smart_search,
|
||||
scrape_urls_bulk,
|
||||
};
|
||||
use headless_chrome::Browser;
|
||||
use scheduler::{SentinelTask, SchedulerService, SchedulerState, TaskAction};
|
||||
use sources_config::{SourcesConfig, load_sources_config, save_sources_config};
|
||||
@@ -1232,6 +1243,56 @@ async fn extract_url_content(
|
||||
.map_err(|e| format!("Erro ao extrair conteúdo da URL: {}", e))
|
||||
}
|
||||
|
||||
/// Busca metadados leves (título/URL/snippet) sem abrir páginas
|
||||
#[command]
|
||||
async fn search_web_metadata(
|
||||
query: String,
|
||||
limit: Option<usize>,
|
||||
search_config: Option<SearchConfig>,
|
||||
) -> Result<Vec<SearchResultMetadata>, String> {
|
||||
if query.trim().is_empty() {
|
||||
return Err("Query não pode estar vazia".to_string());
|
||||
}
|
||||
|
||||
let lim = limit.unwrap_or(5);
|
||||
|
||||
if let Some(config) = search_config {
|
||||
// Usar smart_search para obter URLs e convertê-las em metadados simples
|
||||
match smart_search(&query, &config).await {
|
||||
Ok(mut urls) => {
|
||||
urls.truncate(lim);
|
||||
let metas = urls
|
||||
.into_iter()
|
||||
.map(|u| SearchResultMetadata { title: u.clone(), url: u, snippet: String::new() })
|
||||
.collect::<Vec<_>>();
|
||||
Ok(metas)
|
||||
}
|
||||
Err(e) => Err(format!("Erro ao executar smart_search: {}", e)),
|
||||
}
|
||||
} else {
|
||||
search_duckduckgo_metadata(&query, lim)
|
||||
.await
|
||||
.map_err(|e| format!("Erro ao buscar metadados: {}", e))
|
||||
}
|
||||
}
|
||||
|
||||
/// Faz scraping em lote de URLs fornecidas
|
||||
#[command]
|
||||
async fn scrape_urls(
|
||||
urls: Vec<String>,
|
||||
state: State<'_, BrowserState>,
|
||||
) -> Result<Vec<ScrapedContent>, String> {
|
||||
if urls.is_empty() {
|
||||
return Ok(Vec::new());
|
||||
}
|
||||
|
||||
let browser = get_or_create_browser(state)?;
|
||||
|
||||
scrape_urls_bulk(urls, browser)
|
||||
.await
|
||||
.map_err(|e| format!("Erro ao extrair conteúdo das URLs: {}", e))
|
||||
}
|
||||
|
||||
/// Reinicia o browser (útil se houver problemas)
|
||||
#[command]
|
||||
fn reset_browser(state: State<'_, BrowserState>) -> Result<(), String> {
|
||||
@@ -1785,6 +1846,8 @@ pub fn run() {
|
||||
check_mcp_server_available,
|
||||
search_and_extract_content,
|
||||
extract_url_content,
|
||||
search_web_metadata,
|
||||
scrape_urls,
|
||||
reset_browser,
|
||||
force_kill_browser,
|
||||
export_chat_sessions,
|
||||
|
||||
@@ -18,6 +18,14 @@ pub struct ScrapedContent {
|
||||
pub markdown: String,
|
||||
}
|
||||
|
||||
/// Metadados de resultado de busca (leve, sem abrir página)
|
||||
#[derive(serde::Serialize, serde::Deserialize, Clone, Debug)]
|
||||
pub struct SearchResultMetadata {
|
||||
pub title: String,
|
||||
pub url: String,
|
||||
pub snippet: String,
|
||||
}
|
||||
|
||||
/// Categoria de busca com sites curados
|
||||
#[derive(serde::Serialize, serde::Deserialize, Clone, Debug)]
|
||||
pub struct SearchCategory {
|
||||
@@ -124,6 +132,115 @@ pub async fn search_duckduckgo(query: &str, limit: usize) -> Result<Vec<String>>
|
||||
Ok(links)
|
||||
}
|
||||
|
||||
/// Busca no DuckDuckGo retornando apenas metadados (título, URL, snippet)
|
||||
pub async fn search_duckduckgo_metadata(query: &str, limit: usize) -> Result<Vec<SearchResultMetadata>> {
|
||||
let client = reqwest::Client::builder()
|
||||
.timeout(Duration::from_secs(10))
|
||||
.build()?;
|
||||
|
||||
let url = format!("https://html.duckduckgo.com/html/?q={}",
|
||||
urlencoding::encode(query));
|
||||
|
||||
let user_agent = get_random_user_agent();
|
||||
let res = client
|
||||
.get(&url)
|
||||
.header(USER_AGENT, user_agent)
|
||||
.send()
|
||||
.await?
|
||||
.text()
|
||||
.await?;
|
||||
|
||||
let mut results: Vec<SearchResultMetadata> = Vec::new();
|
||||
|
||||
{
|
||||
let document = Html::parse_document(&res);
|
||||
|
||||
// Estruturas comuns no HTML do DuckDuckGo
|
||||
let container_selectors = vec![
|
||||
".result",
|
||||
".web-result",
|
||||
".result__body",
|
||||
];
|
||||
let title_selectors = vec![
|
||||
".result__a",
|
||||
".web-result__link",
|
||||
"a.result__a",
|
||||
];
|
||||
let snippet_selectors = vec![
|
||||
".result__snippet",
|
||||
".result__snippet.js-result-snippet",
|
||||
".web-result__snippet",
|
||||
];
|
||||
|
||||
for cont_sel in &container_selectors {
|
||||
if results.len() >= limit { break; }
|
||||
if let Ok(container) = Selector::parse(cont_sel) {
|
||||
for node in document.select(&container) {
|
||||
if results.len() >= limit { break; }
|
||||
// Title + URL
|
||||
let mut found_url: Option<String> = None;
|
||||
let mut found_title: Option<String> = None;
|
||||
for tsel in &title_selectors {
|
||||
if let Ok(ts) = Selector::parse(tsel) {
|
||||
if let Some(a) = node.select(&ts).next() {
|
||||
if let Some(href) = a.value().attr("href") {
|
||||
if let Some(real_url) = extract_real_url(href) {
|
||||
found_url = clean_url(&real_url);
|
||||
}
|
||||
}
|
||||
let text = a.text().collect::<Vec<_>>().join(" ").trim().to_string();
|
||||
if !text.is_empty() { found_title = Some(text); }
|
||||
}
|
||||
}
|
||||
if found_url.is_some() && found_title.is_some() { break; }
|
||||
}
|
||||
|
||||
if found_url.is_none() { continue; }
|
||||
|
||||
// Snippet
|
||||
let mut snippet_text: String = String::new();
|
||||
for ssel in &snippet_selectors {
|
||||
if let Ok(ss) = Selector::parse(ssel) {
|
||||
if let Some(s) = node.select(&ss).next() {
|
||||
let t = s.text().collect::<Vec<_>>().join(" ");
|
||||
let norm = t.split_whitespace().collect::<Vec<_>>().join(" ");
|
||||
if !norm.is_empty() { snippet_text = norm; break; }
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
let url_final = found_url.unwrap();
|
||||
if is_ad_or_tracker_url(&url_final) || url_final.is_empty() { continue; }
|
||||
|
||||
results.push(SearchResultMetadata {
|
||||
title: found_title.unwrap_or_else(|| url_final.clone()),
|
||||
url: url_final,
|
||||
snippet: snippet_text,
|
||||
});
|
||||
|
||||
if results.len() >= limit { break; }
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
// Se ainda vazio, tentar fallback simples: extrair todos os links conhecidos
|
||||
if results.is_empty() {
|
||||
let links = search_duckduckgo(query, limit).await?;
|
||||
for l in links {
|
||||
let url_clean = clean_url(&l).unwrap_or(l);
|
||||
results.push(SearchResultMetadata {
|
||||
title: url_clean.clone(),
|
||||
url: url_clean,
|
||||
snippet: String::new(),
|
||||
});
|
||||
if results.len() >= limit { break; }
|
||||
}
|
||||
}
|
||||
|
||||
Ok(results)
|
||||
}
|
||||
|
||||
/// Extrai a URL real do redirecionamento do DuckDuckGo
|
||||
fn extract_real_url(ddg_redirect: &str) -> Option<String> {
|
||||
// DuckDuckGo usa formato: /l/?kh=-1&uddg=<URL_ENCODED>
|
||||
@@ -436,6 +553,55 @@ pub async fn scrape_url(
|
||||
.map_err(|e| anyhow::anyhow!("Erro na task: {}", e))?
|
||||
}
|
||||
|
||||
/// Extrai conteúdo de múltiplas URLs já definidas (bulk)
|
||||
pub async fn scrape_urls_bulk(
|
||||
urls: Vec<String>,
|
||||
browser: Arc<Browser>,
|
||||
) -> Result<Vec<ScrapedContent>> {
|
||||
if urls.is_empty() { return Ok(Vec::new()); }
|
||||
let concurrency = 5usize;
|
||||
let semaphore = Arc::new(Semaphore::new(concurrency));
|
||||
let mut handles = Vec::new();
|
||||
|
||||
for url in urls {
|
||||
let browser_clone = browser.clone();
|
||||
let permit = semaphore.clone().acquire_owned().await.unwrap();
|
||||
let url_clone = url.clone();
|
||||
let handle = tokio::task::spawn_blocking(move || {
|
||||
let res = fetch_and_convert_sync(&browser_clone, &url_clone);
|
||||
drop(permit);
|
||||
res
|
||||
});
|
||||
handles.push(handle);
|
||||
}
|
||||
|
||||
let mut results = Vec::new();
|
||||
for h in handles {
|
||||
match h.await {
|
||||
Ok(Ok(content)) => {
|
||||
let content_len = content.content.chars().count();
|
||||
let md_len = content.markdown.chars().count();
|
||||
if content_len < 200 && md_len < 200 {
|
||||
log::debug!("Descartado por conteúdo curto: {}", content.url);
|
||||
} else {
|
||||
results.push(content);
|
||||
}
|
||||
}
|
||||
Ok(Err(e)) => {
|
||||
let msg = format!("{}", e);
|
||||
if msg.contains("Timeout") || msg.contains("ERR_HTTP") {
|
||||
log::debug!("Ignorado (timeout/HTTP): {}", msg);
|
||||
} else {
|
||||
log::warn!("Erro ao processar URL: {}", e);
|
||||
}
|
||||
}
|
||||
Err(e) => log::warn!("Erro na task de scraping: {}", e),
|
||||
}
|
||||
}
|
||||
|
||||
Ok(results)
|
||||
}
|
||||
|
||||
/// Extrai conteúdo de uma URL e converte para Markdown (versão síncrona)
|
||||
/// Retorna erro se timeout ou falha HTTP, mas não mata o processo
|
||||
fn fetch_and_convert_sync(browser: &Browser, url: &str) -> Result<ScrapedContent> {
|
||||
@@ -534,7 +700,7 @@ fn fetch_and_convert_sync(browser: &Browser, url: &str) -> Result<ScrapedContent
|
||||
|
||||
match readability::extractor::extract(&mut reader, &url_obj) {
|
||||
Ok(product) => {
|
||||
let mut markdown = html2text::from_read(product.content.as_bytes(), 80);
|
||||
let markdown = html2text::from_read(product.content.as_bytes(), 80);
|
||||
// Se o markdown for muito curto, significa que o readability pode ter falhado
|
||||
if markdown.trim().chars().count() < 400 {
|
||||
if let Some(fallback) = extract_paragraph_fallback(url, &content) {
|
||||
|
||||
Reference in new issue
Block a user