supermarket/experiments/html-extraction/extract-product-from-html.ts

import 'dotenv/config';
import { chromium } from 'playwright';
import * as fs from 'fs';
import { Logger } from '../../utils/logger.js';

async function main() {
  Logger.info('=== Извлечение данных о товаре из HTML ===\n');

  const browser = await chromium.launch({ headless: true });
  const context = await browser.newContext();
  const page = await context.newPage();

  const productUrl = 'https://magnit.ru/product/1000233138-podguzniki_la_fresh_dlya_vzroslykh_l_10sht?shopCode=992301&shopType=6';

  Logger.info(`Загружаю страницу: ${productUrl}`);

  await page.goto(productUrl, {
    waitUntil: 'domcontentloaded',
    timeout: 20000,
  });

  await page.waitForTimeout(3000);

  // Извлекаем данные из HTML
  const productData = await page.evaluate(() => {
    const result: any = {
      title: document.querySelector('h1')?.textContent?.trim() || '',
      // Ищем brand, description, weight в разных местах
    };

    // 1. Ищем в meta тегах
    const metaBrand = document.querySelector('meta[itemprop="brand"]')?.content;
    const metaDesc = document.querySelector('meta[itemprop="description"]')?.content;
    const metaWeight = document.querySelector('meta[itemprop="weight"]')?.content;

    // 2. Ищем в JSON-LD structured data
    const jsonLdScripts = Array.from(document.querySelectorAll('script[type="application/ld+json"]'));
    for (const script of jsonLdScripts) {
      try {
        const json = JSON.parse(script.textContent || '');
        if (json['@type'] === 'Product' || json.name === 'Product') {
          result.jsonLd = json;
          break;
        }
      } catch (e) {}
    }

    // 3. Ищем в window объектах
    const nuxtData = (window as any).__NUXT__;
    if (nuxtData) {
      result.nuxtKeys = Object.keys(nuxtData);
      // Проверяем все возможные места с данными о товаре
      for (const key of Object.keys(nuxtData)) {
        const val = nuxtData[key];
        if (val && typeof val === 'object') {
          const str = JSON.stringify(val);
          if (str.includes('brand') || str.includes('description') || str.includes('weight')) {
            result.nuxtDataKey = key;
            result.nuxtDataPreview = str.substring(0, 500);
            break;
          }
        }
      }
    }

    // 4. Ищем в других script тегах
    const allScripts = Array.from(document.querySelectorAll('script'));
    for (const script of allScripts) {
      const text = script.textContent || '';
      if (text.includes('"brand"') && text.length > 100 && text.length < 100000) {
        try {
          // Попробуем найти JSON
          const match = text.match(/\{[\s\S]*\}/);
          if (match) {
            try {
              const json = JSON.parse(match[0]);
              if (json.brand || json.description || json.weight) {
                result.foundInScript = true;
                result.scriptDataPreview = JSON.stringify(json).substring(0, 500);
                break;
              }
            } catch (e2) {}
          }
        } catch (e) {}
      }
    }

    // 5. Ищем в data-атрибутах
    const productElement = document.querySelector('[data-product-id], [data-product], [id*="product"]');
    if (productElement) {
      result.productElement = productElement.outerHTML.substring(0, 500);
    }

    // 6. Проверяем структурированные данные
    result.structuredData = {
      metaBrand,
      metaDesc,
      metaWeight,
    };

    return result;
  });

  Logger.info('=== РЕЗУЛЬТАТЫ ===\n');
  Logger.info(JSON.stringify(productData, null, 2));

  // Также сохраним HTML для анализа
  const html = await page.content();
  const outputPath = 'temp-product-page.html';
  fs.writeFileSync(outputPath, html, 'utf-8');
  Logger.info(`\nHTML сохранен в: ${outputPath}`);

  await browser.close();
}

main();