cd12348782
- paradisehill.fetch_movies compared release_date coerced to midnight against the `since` timestamp, so the chronological crawl stopped at the first upload dated the same calendar day as `since` and silently dropped most new movies (0-2 seen per run; Movies tab stalled). Compare by DATE with a 1-day grace instead; idempotent external_records upsert dedups the re-fetched recent window. - scripts/backfill_paradisehill_movies.py: one-off no-delta deep crawl to recover the backlog missed during the bug (idempotent, resumable). - docs: correct stale 'raz dziennie/24h' browse-latest comments to 6h (4x/day), the actual configured cadence (config.py sched_browse_latest_hours=6). Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
184 lines
12 KiB
Python
184 lines
12 KiB
Python
"""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='pornapp')` (legacy nazwa — kept for DB compat) z external_id
|
||
`f"{sitetag}:{url}"`. Resolver mergeuje idempotentnie po tym kluczu.
|
||
|
||
Search-based ścieżka (per performer name); category browse'ng przez `categoriesUrl`
|
||
overrides w pornapp connector był specyficzny dla porn-app API i zostanie usunięty.
|
||
|
||
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.
|
||
"""
|
||
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
|
||
# co 6h (4×/dobę), 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.fullmovies import FullmoviesScraper # noqa: E402
|
||
from app.connectors.direct_scrapers.hdporngg import HDPornGGScraper # 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,
|
||
# 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,
|
||
# 4k69.com — NIE dołączony: homepage JS-rendered, brak og:/KVS markerów w surowym HTML
|
||
# (probe 2026-06-01). Wymagałby headless render — odłożony.
|
||
# ShyfapScraper — wyłączony 2026-05-12 (pilot fail, 0% match — orphan factory).
|
||
]
|
||
|
||
__all__ = [
|
||
"BaseDirectTubeScraper",
|
||
"BaseBrowseScraper",
|
||
"ALL_DIRECT_SCRAPERS",
|
||
"ALL_BROWSE_SCRAPERS",
|
||
]
|