goon/app/connectors/direct_scrapers/__init__.py

"""Direct tube scrapers.

Każdy scraper hit'uje tube bezpośrednio HTTPm — różne tube'y to różne rate limit
budgets, więc mogą iść równolegle. Wszystkie feedują sceny do tej samej
`Source(name=SCRAPER_SOURCE_NAME)` z external_id `f"{sitetag}:{url}"`. Resolver
mergeuje idempotentnie po tym kluczu.

Nazwa źródła: do 2026-06-07 brzmiała `"pornapp"` — myląca pozostałość po usuniętym
zewnętrznym porn-app API (sugerowała zależność od obcego serwisu, której NIE MA —
to nasze własne direct-scrapery tubów). Przemianowana na `"tube-scraper"`; wiersz
`sources` zaktualizowany w DB (UPDATE name) więc cała historia ingest_runs została.

Search-based ścieżka (per performer name); category browse'ng przez `categoriesUrl`.

UWAGA — speculative scrapers: większość aggregator + special tubes (xmoviesforyou,
watchporn, siska, porn4days, porndish, xxxfreewatch, latestleaks, mypornerleak,
porndittcom, perverzija, fpoxxx, ...) ma URL templates + regex'y oparte na typowych
WordPress conventions. Wymagają post-deploy verification — gdy któryś nie zwraca
wyników, sprawdź real search HTML + popraw template/regex w odpowiednim pliku.
"""
# Umbrella Source.name dla wszystkich direct-scraperów (deep-crawl, browse-latest,
# performer-driven). Rename z legacy "pornapp" 2026-06-07 (mylące — nie ma zależności
# od zewnętrznego porn-app API).
SCRAPER_SOURCE_NAME = "tube-scraper"

from app.connectors.direct_scrapers._browse_base import BaseBrowseScraper
from app.connectors.direct_scrapers.base import BaseDirectTubeScraper
from app.connectors.direct_scrapers.eporner import EpornerScraper
from app.connectors.direct_scrapers.fpoxxx import FpoxxxScraper
from app.connectors.direct_scrapers.hdporn92 import HDPorn92Scraper  # noqa: F401 — kept for backref; disabled
from app.connectors.direct_scrapers.hqporner import HQPornerScraper
from app.connectors.direct_scrapers.latestleaks import LatestLeaksScraper
from app.connectors.direct_scrapers.latestpornvideo import LatestPornVideoScraper
from app.connectors.direct_scrapers.mypornerleak import MyPornerLeakScraper
from app.connectors.direct_scrapers.perverzija import PerverzijaScraper
from app.connectors.direct_scrapers.porn4days import Porn4DaysScraper
from app.connectors.direct_scrapers.pornditt import PornDittScraper
from app.connectors.direct_scrapers.porndish import PornDishScraper
from app.connectors.direct_scrapers.pornhat import PornHatScraper  # noqa: F401 — kept for backref; ingest disabled
from app.connectors.direct_scrapers.pornhub import PornHubScraper
from app.connectors.direct_scrapers.porntrex import PornTrexScraper
from app.connectors.direct_scrapers.redtube import RedTubeScraper
from app.connectors.direct_scrapers.siska import SiskaScraper
from app.connectors.direct_scrapers.sxyland import SxyLandScraper
from app.connectors.direct_scrapers.sxyprn import SxyPrnScraper
from app.connectors.direct_scrapers.watchporn import WatchPornScraper
from app.connectors.direct_scrapers.xhamster import XHamsterScraper
from app.connectors.direct_scrapers.xmoviesforyou import XMoviesForYouScraper
from app.connectors.direct_scrapers.xnxx import XnxxScraper
from app.connectors.direct_scrapers.xvideos import XVideosScraper
from app.connectors.direct_scrapers.xxxfreewatch import XxxFreeWatchScraper  # noqa: F401 — kept for backref; delisted
from app.connectors.direct_scrapers.youporn import YouPornScraper
from app.connectors.direct_scrapers.zerodayxx import ZeroDayXXScraper

ALL_DIRECT_SCRAPERS: list[type[BaseDirectTubeScraper]] = [
    # Existing 4 (verified, in production)
    HQPornerScraper,
    # HDPorn92Scraper — wyłączony 2026-05-18. Scene pages to SEO shell: ZERO player iframe
    # (tylko happyleafmotion ads), JS hijackuje wszystkie kliki → `go.rmishe.com/smartpop/...`
    # popunder redirect. Mobile WebView page-as-hoster pokazuje ad redirect zamiast video.
    # 33,598 playback_sources mass-marked dead, 27,374 solo-orphan scenes deleted.
    SxyLandScraper,
    # ZeroDayXXScraper — wyłączony 2026-05-12 (source quality report): 25,596 scen, 0.1% canonical
    # match. Slug-concat tytuły (`bella reese big butt ready to be filled with cum analized`) bez
    # `[Studio]` lub `Studio - Perf - Title` prefixu (parse rate 3%) → resolver nie ma żadnego
    # signalu do matchu. Wraps watchporn ale dziedziczy stripped metadata. Solo orphany usunięte
    # (~21k scen) — plik scrapera + extractor zostają (istniejące playback_sources nadal się
    # resolvują).
    # Mainstream (URL templates well-known)
    # PornHubScraper — wyłączony 2026-05-12 (analiza źródeł): 23,750 scen scrapnietych,
    # tylko 105 (0.4%) match z TPDB/StashDB. PH hostuje głównie własne shortened
    # clipy + amateur upload — nigdy nie zmatchują studio canonical content. Plik
    # zostaje (extractor `pornhubcom` używa go w playback resolve dla istniejących
    # playback_sources).
    # RedTubeScraper — wyłączony 2026-05-12 (analiza źródeł): 20,127 scen, 82 match
    # (0.4%). Same powody co PH (skrócone clipy + amateur upload).
    XVideosScraper,
    XnxxScraper,
    XHamsterScraper,
    YouPornScraper,
    PornTrexScraper,
    EpornerScraper,
    # Aggregators (WordPress-like ?s= search; speculative — verify post-deploy)
    # XMoviesForYouScraper — wyłączony 2026-05-12 (post audit fix). 100% scen serwuje
    # streamtape (DEAD_HOSTER_RE — malware drive-by .reg) + opcjonalnie playmogo/mixdrop.
    # Mixdrop zrebrandował na m1xdrop.bz, yt-dlp out-of-date, packer/JS extract = fail.
    # Playmogo = DoodStream CAPTCHA. Porn-app sam olewa xmoviesforyou (brak handlera w
    # jadx). 1,321 solo-orphan scen.
    # WatchPornScraper — wyłączony 2026-05-12 (user bug-report). Wszystkie iframes to
    # DoodStream variants (playmogo/d0000d/dooood/mivalyo) z CAPTCHA gate. WebView na
    # mobile = black screen (player JS nie inicjalizuje się przez Turnstile). 16%
    # scen solo (no backup tube), 84% multi-source — user może użyć innego tube. yt-dlp
    # nie wspiera DoodStream ("Piracy"), własny resolver TBD jeśli warto.
    # SiskaScraper — wyłączony 2026-05-16. Wyłączenie było oparte na błędnym
    # założeniu "filemoon shutdown" — filemoon zrobił rebrand na SPA "Byse
    # Frontend", a nie umarł (RE 2026-05-22, patrz mobile/src/lib/filemoonHoster.ts).
    # Status do rewizji: (a) filemoon znów resolvuje się mobile-side, (b) siska
    # od ~2026-05 i tak przeszła w dużej części na playmogo. Re-enable wymaga
    # sprawdzenia aktualnego mixu hosterów na siska.video.
    # SiskaScraper,
    # Porn4DaysScraper — wyłączony 2026-05-12 (post audit fix). 100% scen na streamtape
    # only (DEAD_HOSTER_RE blacklist - malware drive-by .reg downloads). SERVER1_URL =
    # streamtape, brak SERVER2/SERVER3 backup. Porn-app sam olewa porn4days. 10,346
    # solo-orphan scen.
    PornDishScraper,
    # XxxFreeWatchScraper — wyłączony 2026-05-18. 790 scen, 0% canonical match, 100% solo-orphan.
    # Cloudflare 403 z VPS IP, mobile WebView teoretycznie działa ale 0/790 scen miało jakikolwiek
    # match do TPDB/StashDB. Pure orphan factory. Solo scenes deleted, scraper disabled.
    LatestPornVideoScraper,
    # LatestLeaksScraper — wyłączony 2026-05-12 (source quality report): 16,438 scen, 0.0%
    # canonical match. Slug-concat tytuły, brak studio/duration/date signali. Solo orphany
    # usunięte (~15k scen).
    MyPornerLeakScraper,
    # Added 2026-05-12 (theporndude survey): jeden z 14 free tubes na liście który
    # zwraca consistent search results. KVS engine, slug-aware scene URLs. Mostly
    # orphan ingest (auto-screenshots, no canonical phash match — sprawdzone), ale
    # może łapać sceny popularnych performerów których jeszcze nie mamy w TPDB.
    # PornHatScraper — wyłączony 2026-05-18. 9,799 scen, 0.2% canonical match, 100% solo-orphan.
    # Pure orphan factory — auto-screenshot thumbs nie matchują phash do canonical, slug tytuły
    # nie matchują rapidfuzz, brak duration/date signals. KEEP `pornhatcom` extractor i istniejące
    # playback_sources żywe — mobile może je odtwarzać; disable tylko future ingest.
    # PornDittScraper — wyłączony 2026-05-12 (bug-report 64356e9b). Każdy link
    # produkował nową Scene row zamiast matchować do istniejącej kanonicznej
    # (TPDB/StashDB) bo pornditt ma weak signal: title + cz. performera, brak
    # fingerprintu/duration/date → composite_score zawsze poniżej auto_merge
    # threshold (0.92). Plik scrapera + extractor zostają (istniejące playback_sources
    # nadal się resolvują, _REGISTRY w app/extractors/__init__.py odpala
    # `porndittcom` → _embed_iframe.extract). Re-enable wymaga albo
    # "alternative-source mode" w resolverze (match-only, never create new),
    # albo bogatszej extracji metadanych (duration + fingerprint).
    # Special
    SxyPrnScraper,
    PerverzijaScraper,
    FpoxxxScraper,
]

# Browse-mode scrapers — iterują `latest-vids` listing zamiast search-by-performer.
# Phash thumbnail fingerprint (waga 0.40 w composite scoring) auto-mergeuje do
# canonical (TPDB/StashDB) gdy tube hot-linkuje studio thumbnail. Schedulowane
# raz dziennie, pages 1-5. Patrz `_browse_base.BaseBrowseScraper` +
# `app/scheduler/browse_latest.py`.
#
# **Pilot results (2026-05-12):**
#   - ShyfapScraper: 0/23 match (0%) — robi własne thumbnails ≠ canonical
#     (phash Hamming 12-16). Plus rebranduje tytuły. **Wyłączony.**
#   - FreshpornoScraper: 39/59 match (66%) — hot-linkuje studio thumbnaile
#     (phash Hamming 0). Oryginalne tytuły + channels=studio 1:1. **Aktywny.**
from app.connectors.direct_scrapers.freshporno import FreshpornoScraper  # noqa: E402
from app.connectors.direct_scrapers.porn00 import Porn00Scraper  # noqa: E402
from app.connectors.direct_scrapers.porndoe import PornDoeScraper  # noqa: E402
from app.connectors.direct_scrapers.pornxp import PornXPScraper  # noqa: E402
from app.connectors.direct_scrapers.shyfap import ShyfapScraper  # noqa: E402, F401
from app.connectors.direct_scrapers.yesporn import YesPornVipScraper  # noqa: E402
from app.connectors.direct_scrapers.fullmovies import FullmoviesScraper  # noqa: E402
from app.connectors.direct_scrapers.hdporngg import HDPornGGScraper  # noqa: E402
from app.connectors.direct_scrapers.fourk69 import FourK69Scraper  # noqa: E402
from app.connectors.direct_scrapers.hqfap import HQFapScraper  # noqa: E402
from app.connectors.direct_scrapers.neporn import NepornScraper  # noqa: E402
from app.connectors.direct_scrapers.superporn import SuperpornScraper  # noqa: E402
from app.connectors.direct_scrapers.eporner_api import EpornerApiScraper  # noqa: E402
from app.connectors.direct_scrapers.xvideos_browse import XVideosBrowseScraper  # noqa: E402

ALL_BROWSE_SCRAPERS: list[type[BaseBrowseScraper]] = [
    FreshpornoScraper,
    # PornXPScraper — pilot 2026-05-17 (20 scen): studio 100%, performer 95%,
    # release_date 100%, duration 100%, stream_url 100%, phash 100%. Najlepsze
    # sygnały spośród browse-mode scraperów. Stream direct mp4 (sv.porn-xp.com)
    # 360/720 quality. Release year z `Released: <year>` na detail.
    PornXPScraper,
    # Porn00Scraper — pilot 2026-05-17 (16 scen): brak studio (0%) + brak release
    # date (0%) ALE performer 100%, duration 100%, stream_url 100% (KVS video_alt_url
    # 720p). Tytuł zachowuje studio prefix ("Studio Title - Scene Name") → title
    # fuzzy match (rapidfuzz token_set_ratio) może załapać canonical. Monitorować.
    Porn00Scraper,
    # PornDoeScraper — dołączony 2026-05-21 (theporndude audit). Każda scena ma
    # kompletny JSON-LD VideoObject: title + uploadDate + duration + named studio
    # (producer/publisher) + named performers (actor[]) + thumbnail. Najbogatsze
    # strukturalne metadane spośród browse scraperów — composite fuzzy match ma
    # komplet sygnałów. Phash hit-rate niski (własne crop-thumbnaile), studio +
    # performer + date + duration nadrabiają.
    PornDoeScraper,
    # YesPornVipScraper — dołączony 2026-05-27 (user audit). JSON-LD VideoObject
    # + `<meta property="video:duration|release_date|tag">` per scena (Goon ma
    # duration w sekundach gotowe + ISO 8601 release_date z timezone). Studio +
    # performerzy z `btn gold` linków (`/channels/<slug>/` + `/models/<slug>/`).
    # 941k organic monthly (SE Ranking, comparable z porndoe 731k / porntrex 790k).
    # Scraper-of-paysites (DogFart / HardX / TeamSkeet / Vixen) — wysokie expected
    # canonical match dla studio scenes. Korekta: theporndude scorecard rank 26
    # ('yespornvip.com', score -0.5, auth wall) dotyczył **innej domeny** — pdude.link
    # redirect do porndudecams affiliate. Prawdziwa kanoniczna domena to TLD `.vip`.
    YesPornVipScraper,
    # FullmoviesScraper + HDPornGGScraper — dołączone 2026-06-01. KVS engine (sponsor_groups
    # stack, `/videos/<slug>/` + `/latest-updates/`). Studio teraz z PREFIKSU tytułu
    # ("Studio - Scene") — sidebar `/networks/` listował WSZYSTKIE sieci, więc pierwszy match
    # zawsze Brazzers (mis-attribution, dlatego nigdy nie były włączone). Niosą paysite studio
    # content (TeamSkeet/Dad Crush/Brazzers/...) z title+performer+duration → composite fuzzy.
    # Nawet bez canonical match: grywalny content z inferred tagami (mission: daily tagged ingest).
    FullmoviesScraper,
    HDPornGGScraper,
    # EpornerApiScraper — dołączony 2026-06-03 (Faza 2b alternatywa). eporner detail to
    # JS-heavy KVS bez SSR metadanych (jak porntrex/hqporner — odrzucone), ALE eporner ma
    # publiczne JSON API (api/v2/video/search): 1 call = 100 filmów z title+length_sec+
    # keywords+added+thumb. ~100k filmów, deep-crawl przez crawl_page() (API, bez detail-fetch).
    EpornerApiScraper,
    # XVideosBrowseScraper — dołączony 2026-06-03. SSR JSON-LD (duration/title/uploadDate)
    # + page-parse /models/ (performerzy) + /tags/. Sample: median ~10.5min, 93% ≥3min.
    # Mega-katalog ~13M → deep_crawl._PAGE_CAP["xvideoscom"]=1800 (~50k najnowszych), nie
    # full-crawl. (youporn pominięty — JSON-LD bez actor/keywords, scene-perf/tagi = nav A-Z.)
    XVideosBrowseScraper,
    # HQFapScraper — dołączony 2026-06-10 (user request). PlayTube CMS, ~120k scen
    # (re-upload pornhd.pet). JSON-LD VideoObject (title+uploadDate+duration+thumb+
    # contentUrl) + pille Pornstars/Categories na detail page. Listing nie paginuje
    # się GET-em → crawl_page po sitemap index (12 plików, lastmod desc). Direct mp4
    # (cdnde.com / okcdn.ru), cross-IP portable → natywny extractor `hqfapcom`.
    HQFapScraper,
    # FourK69Scraper — dołączony 2026-06-10 (user request). Probe 2026-06-01 odrzucił
    # po homepage "JS-rendered" — błędnie: scene pages mają pełny SSR + JSON-LD. Ta sama
    # platforma PlayTube co hqfap (wspólna baza _playtube.py), ~65k scen, content głównie
    # studyjny (4K paysite re-upload). Studio z kategorii matchowanych do listy /studios.
    # Stream get_file (www.4kporno.xxx) jak fullmovies → mobile_direct, skip 2160p.
    FourK69Scraper,
    # NepornScraper — dołączony 2026-06-10 (user request). KVS engine (jak freshporno/
    # porn00), /latest-updates/N/. JSON-LD (title+desc+uploadDate+thumb) + video:duration
    # meta + /models/ performerzy + /categories/ tagi. Brak studio (tytuł bywa
    # "- HardX Update - ..." — fuzzy match po tytule). Resolve server-side _kvs,
    # finalny remote_control.php portable cross-IP.
    NepornScraper,
    # SuperpornScraper — dołączony 2026-06-10 (user request). superporn blokuje VPS IP
    # twardym CF 403 (każda impersonacja TLS), więc ingest HTML idzie przez Bright Data
    # residential proxy (BRIGHTDATA_PROXY_URL). Pierwszy scraper z proxy — `_proxy` w
    # _browse_base. JSON-LD (title+desc+uploadDate+thumb+duration) + chipy pornstar/
    # kategorie. Playback IP-bound → WebView (extractor superporncom → _vps_blocked_fallback).
    # Bez proxy: scraper no-op (pusty iterator).
    SuperpornScraper,
    # porntrex/hqporner/youporn — NIE: KVS/JS bez SSR duration → niewidoczne orphany (2026-06-03).
    # ShyfapScraper — wyłączony 2026-05-12 (pilot fail, 0% match — orphan factory).
]

__all__ = [
    "BaseDirectTubeScraper",
    "BaseBrowseScraper",
    "ALL_DIRECT_SCRAPERS",
    "ALL_BROWSE_SCRAPERS",
]