""" Spider usando Selenium para contornar bloqueios anti-bot do TibiaWiki """ import time import sqlite3 import os from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.chrome.service import Service from selenium.webdriver.chrome.options import Options from webdriver_manager.chrome import ChromeDriverManager from bs4 import BeautifulSoup import requests from urllib.parse import urljoin from tibiawiki.utils import normalize_name, parse_int, parse_float, clean_text import logging logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) class SeleniumSpider: """ Spider que usa Selenium para extrair dados do TibiaWiki """ def __init__(self, db_path='data/tibiawiki.db', images_path='data/images', headless=True): self.db_path = db_path self.images_path = images_path self.headless = headless self.driver = None self.conn = None self.cursor = None self.created_tables = set() self.items_scraped = 0 # Cria diretórios necessários os.makedirs(os.path.dirname(self.db_path), exist_ok=True) os.makedirs(self.images_path, exist_ok=True) def setup_driver(self): """Configura o driver do Selenium""" chrome_options = Options() if self.headless: chrome_options.add_argument('--headless=new') # Opções para evitar detecção chrome_options.add_argument('--disable-blink-features=AutomationControlled') chrome_options.add_argument('--disable-extensions') chrome_options.add_argument('--no-sandbox') chrome_options.add_argument('--disable-dev-shm-usage') chrome_options.add_argument('--disable-gpu') chrome_options.add_argument('--window-size=1920,1080') # Desabilita imagens para acelerar carregamento chrome_prefs = { 'profile.managed_default_content_settings.images': 2 } chrome_options.add_experimental_option('prefs', chrome_prefs) # Estratégia de carregamento mais rápida try: chrome_options.page_load_strategy = 'eager' except Exception: pass # User agent chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36') # Exclude do webdriver chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"]) chrome_options.add_experimental_option('useAutomationExtension', False) # Auto-download driver service = Service(ChromeDriverManager().install()) self.driver = webdriver.Chrome(service=service, options=chrome_options) # Executa script para remover webdriver property self.driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})") logger.info("Driver do Chrome configurado com sucesso") def setup_database(self): """Configura conexão com banco de dados""" self.conn = sqlite3.connect(self.db_path) self.conn.row_factory = sqlite3.Row self.cursor = self.conn.cursor() logger.info(f"Conectado ao banco SQLite: {self.db_path}") def close_database(self): """Fecha conexão com banco""" if self.conn: self.conn.commit() self.conn.close() logger.info("Conexão com SQLite fechada") def close_driver(self): """Fecha o navegador""" if self.driver: self.driver.quit() logger.info("Driver fechado") def get_page(self, url, wait_time=0): """ Carrega uma página e aguarda carregamento """ logger.info(f"Carregando página: {url}") self.driver.get(url) # Aguarda elementos principais carregarem try: WebDriverWait(self.driver, 10).until( EC.presence_of_element_located((By.TAG_NAME, "table")) ) except Exception as e: logger.warning(f"Timeout esperando elementos: {e}") def get_categories(self): """Extrai links das categorias da página principal""" url = "https://www.tibiawiki.com.br/wiki/Itens" self.get_page(url, wait_time=0) # Obtém HTML após renderização html = self.driver.page_source soup = BeautifulSoup(html, 'html.parser') categories = {} # Procura por links de categorias all_links = soup.find_all('a', href=True) category_keywords = [ 'Capacetes', 'Armaduras', 'Escudos', 'Calças', 'Spellbooks', 'Botas', 'Aljavas', 'Machados', 'Clavas', 'Espadas', 'Rods', 'Wands', 'Distância', 'Munição', 'Punhos', 'Livros', 'Decorações', 'Troféus', 'Comidas', 'Líquidos', 'Plantas', 'Amuletos', 'Colares', 'Anéis', 'Chaves', 'Ferramentas', 'Recipientes', 'Runas', 'Pergaminhos' ] for link in all_links: link_text = link.get_text(strip=True) href = link.get('href', '') for keyword in category_keywords: if keyword in link_text and '/wiki/' in href: full_url = urljoin(url, href) if keyword not in categories: categories[keyword] = full_url logger.info(f"Categoria encontrada: {keyword} -> {full_url}") break logger.info(f"Total de categorias encontradas: {len(categories)}") return categories def scrape_category(self, category_name, url): """Extrai itens de uma categoria""" logger.info(f"\n{'='*80}") logger.info(f"Processando categoria: {category_name}") logger.info(f"{'='*80}") self.get_page(url, wait_time=0) # Obtém HTML após renderização html = self.driver.page_source soup = BeautifulSoup(html, 'html.parser') # Procura por tabelas tables = soup.find_all('table', class_='wikitable') if not tables: tables = soup.find_all('table') if not tables: logger.warning(f"Nenhuma tabela encontrada em {category_name}") return for table_idx, table in enumerate(tables): logger.info(f"Processando tabela {table_idx + 1}/{len(tables)}") # Extrai cabeçalhos headers = [] header_row = table.find('tr') if header_row: ths = header_row.find_all(['th', 'td']) for th in ths: header_text = clean_text(th.get_text(strip=True)) headers.append(header_text) logger.debug(f"Colunas: {headers}") # Extrai linhas rows = table.find_all('tr')[1:] # Pula cabeçalho for row_idx, row in enumerate(rows): item_data = {'categoria': category_name} cells = row.find_all('td') if not cells: continue # Destacar visualmente a linha atual no navegador try: self.driver.execute_script( """ (function(tableIndex, rowIndex){ try { if (!window.__scrapeStyleInjected) { const style = document.createElement('style'); style.textContent = '.__scrapeHighlight{outline:2px solid #e11d48;background:rgba(225,29,72,0.08);}'; document.head.appendChild(style); window.__scrapeStyleInjected = true; } document.querySelectorAll('tr.__scrapeHighlight').forEach(el=>el.classList.remove('__scrapeHighlight')); let tables = document.querySelectorAll('table.wikitable'); if (!tables || tables.length===0) tables = document.querySelectorAll('table'); const t = tables[tableIndex]; if (!t) return; const trs = t.querySelectorAll('tr'); const r = trs[rowIndex+1]; // +1 para ignorar cabeçalho if (!r) return; r.classList.add('__scrapeHighlight'); r.scrollIntoView({block:'center'}); } catch(e) {} })(arguments[0], arguments[1]); """, table_idx, row_idx ) except Exception: pass # Processa cada célula for cell_idx, cell in enumerate(cells): if cell_idx >= len(headers): break header = headers[cell_idx] header_clean = clean_text(header) header_key = header_clean.casefold() cell_text = clean_text(cell.get_text(strip=True)) # Extrai possíveis imagens da célula imgs = cell.find_all('img') img_srcs = [] for im in imgs: src = im.get('src') if im else None if not src: continue if not src.startswith('http'): src = urljoin(url, src) img_srcs.append(src) # 1) Coluna sem título: considerar como ícone do item; ignorar Tick/Cross if not header_clean: for img_src in img_srcs: filename = img_src.split('/')[-1].lower() if 'tick' in filename or 'cross' in filename: continue if 'image_url' not in item_data: item_data['image_url'] = img_src break # nada mais a fazer nesta célula continue # 2) Coluna "agrupável": mapear Tick/Cross para 1/0 e não baixar imagem if 'agrup' in header_key: assigned = False for img_src in img_srcs: filename = img_src.split('/')[-1].lower() if 'tick' in filename: item_data['agrupavel'] = 1 assigned = True break if 'cross' in filename: item_data['agrupavel'] = 0 assigned = True break if not assigned: text_key = cell_text.casefold() if text_key == 'sim': item_data['agrupavel'] = 1 assigned = True elif text_key in ('não', 'nao'): item_data['agrupavel'] = 0 assigned = True # nunca definir image_url a partir desta coluna continue # 3) Demais colunas: mapear campos; só usar imagem se não for Tick/Cross # Preferir texto para campos conhecidos self._map_column_to_field(item_data, header_clean, cell_text) # Considerar imagem apenas se ainda não temos image_url e não for Tick/Cross if 'image_url' not in item_data and img_srcs: for img_src in img_srcs: filename = img_src.split('/')[-1].lower() if 'tick' in filename or 'cross' in filename: continue item_data['image_url'] = img_src break # Salva item se tiver nome if item_data.get('nome'): self.save_item(item_data) self.items_scraped += 1 if self.items_scraped % 10 == 0: logger.info(f"Total de itens extraídos: {self.items_scraped}") def _map_column_to_field(self, item_data, column_name, value): """Mapeia colunas para campos""" column_lower = column_name.lower() if 'nome' in column_lower or 'item' in column_lower: item_data['nome'] = value elif 'nível' in column_lower or 'lvl' in column_lower: item_data['nivel'] = parse_int(value) elif 'peso' in column_lower: item_data['peso'] = parse_float(value) elif 'defesa' in column_lower or 'def' in column_lower: item_data['defesa'] = parse_int(value) elif 'ataque' in column_lower or 'atk' in column_lower: item_data['ataque'] = parse_int(value) elif 'alcance' in column_lower: item_data['alcance'] = parse_int(value) elif 'slots' in column_lower: item_data['slots'] = parse_int(value) elif 'skill' in column_lower: item_data['skill_para_usar'] = value elif 'valor' in column_lower: item_data['valor_npc'] = parse_int(value) elif 'descrição' in column_lower: item_data['descricao'] = value def save_item(self, item_data): """Salva item no banco de dados""" category = item_data.get('categoria') table_name = normalize_name(category) # Cria tabela se necessário self._create_table_if_not_exists(table_name, item_data) # Prepara valores para SQL columns = list(item_data.keys()) values = list(item_data.values()) placeholders = ','.join(['?'] * len(values)) # Query UPSERT columns_str = ','.join(columns) update_str = ','.join([f"{col}=excluded.{col}" for col in columns if col != 'id']) sql = f""" INSERT INTO {table_name} ({columns_str}) VALUES ({placeholders}) ON CONFLICT(nome) DO UPDATE SET {update_str} """ self.cursor.execute(sql, values) self.conn.commit() # Download da imagem if item_data.get('image_url'): self.download_image(item_data) def _create_table_if_not_exists(self, table_name, item_data): """Cria tabela se não existir""" if table_name in self.created_tables: return columns_def = [] added_fields = set() for field_name, field_value in item_data.items(): sql_type = "INTEGER" if isinstance(field_value, int) else "REAL" if isinstance(field_value, float) else "TEXT" constraint = " UNIQUE NOT NULL" if field_name == 'nome' else "" columns_def.append(f"{field_name} {sql_type}{constraint}") added_fields.add(field_name) # Sempre adiciona campos de imagem if 'image_url' not in added_fields: columns_def.append("image_url TEXT") if 'image_local_path' not in added_fields: columns_def.append("image_local_path TEXT") sql = f""" CREATE TABLE IF NOT EXISTS {table_name} ( id INTEGER PRIMARY KEY AUTOINCREMENT, {','.join(columns_def)} ) """ self.cursor.execute(sql) self.created_tables.add(table_name) def download_image(self, item_data): """Baixa imagem do item""" image_url = item_data.get('image_url') if not image_url: return # Nunca baixar ícones Tick/Cross basename = image_url.split('/')[-1].lower() if 'tick' in basename or 'cross' in basename: return categoria = item_data.get('categoria', 'uncategorized') nome = item_data.get('nome', 'unknown') # Normaliza nomes categoria_norm = normalize_name(categoria) nome_norm = normalize_name(nome) # Cria diretório category_dir = os.path.join(self.images_path, categoria_norm) os.makedirs(category_dir, exist_ok=True) # Define caminho do arquivo ext = 'jpg' if '.' in image_url: ext = image_url.split('.')[-1].lower() if ext in ['jpeg', 'jpg']: ext = 'jpg' file_path = os.path.join(category_dir, f"{nome_norm}.{ext}") # Download try: headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36' } response = requests.get(image_url, headers=headers, timeout=30) response.raise_for_status() with open(file_path, 'wb') as f: f.write(response.content) # Atualiza banco com caminho local table_name = normalize_name(categoria) try: self.cursor.execute( f"UPDATE {table_name} SET image_local_path=? WHERE nome=?", (file_path, item_data.get('nome')) ) self.conn.commit() except sqlite3.OperationalError as e: # Se coluna não existe, adiciona ela if 'no such column' in str(e): try: self.cursor.execute(f"ALTER TABLE {table_name} ADD COLUMN image_local_path TEXT") self.conn.commit() # Tenta atualizar novamente self.cursor.execute( f"UPDATE {table_name} SET image_local_path=? WHERE nome=?", (file_path, item_data.get('nome')) ) self.conn.commit() except Exception: logger.warning(f"Não foi possível adicionar coluna image_local_path: {e}") else: raise except Exception as e: logger.warning(f"Erro ao baixar imagem {image_url}: {e}") def run(self): """Executa o processo completo de scraping""" try: logger.info("Iniciando scraping com Selenium...") # Setup self.setup_driver() self.setup_database() # Obtém categorias categories = self.get_categories() if not categories: logger.error("Nenhuma categoria encontrada!") return # Processa cada categoria for category_name, url in categories.items(): try: self.scrape_category(category_name, url) # Delay mínimo entre categorias (reduzido) time.sleep(0.2) except Exception as e: logger.error(f"Erro ao processar {category_name}: {e}") continue logger.info(f"\n{'='*80}") logger.info(f"Scraping concluído!") logger.info(f"Total de itens extraídos: {self.items_scraped}") logger.info(f"{'='*80}") except Exception as e: logger.error(f"Erro fatal: {e}") raise finally: self.close_database() self.close_driver()