145 lines
11 KiB
Markdown
145 lines
11 KiB
Markdown
# omni-parse
|
||
|
||
Один парсер под любую тему: Reddit, форумы, поисковики, X/Twitter, карточки товаров и платные search-API — в одну SQLite-базу с FTS5, дедупом и рейтингом.
|
||
|
||
Ставится без ключей. Платные провайдеры включаются сами, если в окружении есть ключ.
|
||
|
||
## Что умеет
|
||
|
||
| Провайдер | Что тянет | Ключ |
|
||
|---|---|---|
|
||
| `reddit` | поиск по постам и комментариям через api.pullpush.io (архив Reddit) + публичный json как запас | нет |
|
||
| `forums` | Discourse (9 инстансов), Hacker News (Algolia), Lobsters, XenForo, веб-версии Telegram-каналов | нет |
|
||
| `ddg` | html-выдача DuckDuckGo | нет |
|
||
| `bing` | html-выдача Bing, ссылки раскодируются из `ck/a?...u=a1<base64url>` | нет |
|
||
| `mojeek` | html Mojeek (свой индекс, без капчи) | нет |
|
||
| `x` | без платного API: oembed по URL твита, syndication-таймлайн профиля, поиск твитов через ddg/bing/mojeek | нет |
|
||
| `tavily` | Tavily search | `TAVILY_API_KEY` |
|
||
| `exa` | Exa search + текст страниц | `EXA_API_KEY` |
|
||
| `you` | You.com search | `YOU_API_KEY` |
|
||
| `firecrawl` | Firecrawl search | `FIRECRAWL_API_KEY` |
|
||
| `cards` | карточки товаров: JSON-LD Product/Offer, OpenGraph, microdata, цена/валюта/наличие | нет |
|
||
| `treg` | treg-поиск | `TREG_TOKEN` |
|
||
| `feed` | обход реестра из 338 лент/API без запроса (см. ниже) | нет |
|
||
|
||
`python -m omni providers` печатает, что реально поднялось в этом окружении.
|
||
|
||
## Установка
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
cp .env.example .env # ключи по желанию, ни один не обязателен
|
||
```
|
||
|
||
## Быстрый старт
|
||
|
||
```bash
|
||
# что доступно
|
||
python -m omni providers
|
||
|
||
# поиск по одной теме в четырёх бесплатных источниках
|
||
python -m omni search "scraping twitter without api" --providers reddit,forums,ddg,bing --limit 12 --show 10
|
||
|
||
# реестр источников: сколько и каких
|
||
python -m omni sources
|
||
python -m omni sources --category papers,security --list
|
||
|
||
# обход реестра БЕЗ запроса: 338 источников -> база
|
||
python -m omni feed --category community --limit 8
|
||
python -m omni feed --limit 15 # всё подряд
|
||
python -m omni feed --only arxiv_cs_ai,hn_top,reddit_localllama
|
||
|
||
# прогон по списку тем из themes.txt (по теме на строку)
|
||
python -m omni fanout --providers reddit,forums,ddg,bing --limit 10
|
||
|
||
# топ базы, статистика, поиск по своей базе
|
||
python -m omni top --limit 20
|
||
python -m omni stats
|
||
python -m omni find "proxy"
|
||
|
||
# карточки товаров по URL
|
||
python -m omni cards https://example.com/product
|
||
|
||
# выгрузка
|
||
python -m omni export --format jsonl --out data/dump.jsonl
|
||
```
|
||
|
||
## Реестр источников
|
||
|
||
`omni/sources.py` + `omni/sources_ext.py` — **338 источников в 9 категориях**, у каждого свой адаптер и флаг вкл/выкл:
|
||
|
||
- **papers 49** — arxiv по 25+ разделам (cs.AI/LG/CL/CV/RO/IR/CR/SE/NE/MA/DC/DB/HC/SD/CY, stat.ML, eess.AS/SP/IV, math.OC, q-bio.NC, cs.GR, cs.AR, cs.PF), HF daily papers, OpenAlex, Semantic Scholar, Papers with Code, Connected Papers
|
||
- **company 95** — ленты OpenAI, Google AI/Research/DeepMind, Microsoft Research, NVIDIA, Apple ML, Amazon Science, HF, Meta AI, Mistral, Cohere, Together, Perplexity, Groq, Cerebras, Stability, Databricks, Anyscale, Modal, W&B, LangChain, LlamaIndex, vLLM, Replicate, Fireworks, SambaNova, Scale, xAI, Salesforce, AWS ML, Azure AI, Anthropic, AI2, EleutherAI, LAION, Runway, ElevenLabs, Deepgram, AssemblyAI, Pinecone, Weaviate, Qdrant, Chroma, Unsloth, Axolotl
|
||
- **company_cn 31** — Qwen, DeepSeek changelog, Moonshot, Zhipu, Baichuan, MiniMax, StepFun, 01.AI, InternLM, ChatGLM + GitHub-орги Tencent-Hunyuan, PaddlePaddle, bytedance, mindspore-ai, QwenLM, deepseek-ai, MoonshotAI, THUDM, OpenBMB, Shanghai-AI-Lab
|
||
- **company_kr 10** — Kakao tech, Naver Cloud/D2, Samsung Research, LG AI Research, Upstage, Rebellions, Twelve Labs, FriendliAI
|
||
- **community 49** — HN top/new/ask/show, Lobsters (4 тега), GeekNews, Reddit: LocalLLaMA, OpenAI, singularity, MachineLearning, deeplearning, netsec, programming, rust, golang, Python, webdev, selfhosted, devops, datascience, androiddev, javascript, linux, experienced_devs
|
||
- **security 45** — THN, BleepingComputer, Krebs, SANS ISC, Packet Storm, CISA advisories + CISA KEV (JSON), NVD CVE (JSON), Exploit-DB, Project Zero, PortSwigger, GitHub Security, Rapid7, Qualys, Tenable, CrowdStrike, SentinelOne, Unit42, Talos, Securelist, WeLiveSecurity, Malwarebytes, Schneier, Graham Cluley, HackerOne hacktivity, Bugcrowd, Intigriti, YesWeHack, CTFtime, OWASP, SANS diaries, Risky Business, tl;dr sec, Detection Engineering
|
||
- **forum 31** — 10 Discourse-инстансов (discuss.python, community.openai, forum.cursor, discuss.huggingface, forum.obsidian, community.cloudflare, discuss.elastic, forum.gitlab, community.home-assistant, discuss.grafana), XenForo BHW, веб-версии Telegram-каналов (durov, telegram, AI-каналы), Stack Overflow tags, Reddit-миграции
|
||
- **models 18** — HF trending/new (модели, спейсы, датасеты), HF по 6 пайплайн-тегам, Ollama library + search, LM Studio catalog, OpenRouter models + pricing (JSON), Civitai, Replicate explore
|
||
- **benchmark 10** — Open LLM Leaderboard, LMArena, Artificial Analysis, Epoch AI, SWE-bench, LiveBench, HELM, MTEB, BigCodeBench, Chatbot Arena
|
||
|
||
Адаптеры: `rss`, `generic_json`, `or_models`, `cisa_kev`, `nvd`, `json` (HF, HN, OpenAlex, S2, Discourse), `html` (список + детальная), `github_org`. Медленные хосты (reddit, github, HF, arxiv, openrouter) обходятся последовательно с паузой, остальные — в 8 потоков. Для arxiv RSS, который часто отдаёт пустое, есть fallback на официальный API (`export.arxiv.org/api/query`).
|
||
|
||
## Панель и команды
|
||
|
||
```
|
||
python -m omni serve --port 8077 # веб-панель + JSON API (без сборки, без npm)
|
||
python -m omni feed --limit 10 # обход всего реестра
|
||
python -m omni doctor --fix # проверить источники и подобрать рабочие фиды
|
||
python -m omni digest --out data/digest.md
|
||
```
|
||
|
||
Панель — две вкладки:
|
||
|
||
1. **лента** — счётчики (записей, с ценой, прогонов, источников, включённых), поиск по базе, фильтр по категориям, кнопка «собрать ленту» с прогрессом и разбивкой fetched/new/dup/empty.
|
||
2. **источники** — менеджер реестра:
|
||
- таблица всех 338 источников: переключатель вкл/выкл, категория, тип, url, статус (жив / мёртв / не проверен), число записей;
|
||
- фильтр по имени/url и по категории;
|
||
- **подключить источник** — форма (имя, url, категория): тип и адаптер определяются по url автоматически (`/rss` → rss, `.json`/`/api/` → generic_json, `github.com/org` → github_org, `t.me/s/` → tg_web), запись живёт в SQLite и сразу участвует в обходах;
|
||
- **проверить всё / проверить категорию** — фоновой джоб: реальный фетч каждого источника, запись `status/items/note/checked`, прогресс `done/total, живых/мёртвых`;
|
||
- **вкл все / выкл все** — массово по текущему фильтру;
|
||
- удаление своих источников (реестровые только выключаются).
|
||
|
||
Выключенный источник не дёргается ни панелью, ни `omni feed`, ни `omni doctor` — фильтр применяется в `sources.pick()`.
|
||
|
||
API: `GET /api/stats`, `GET /api/items?category=&q=&limit=&offset=`, `GET /api/sources?category=&q=`,
|
||
`POST /api/sources/toggle {name,enabled}`, `POST /api/sources/add {name,category,url}`,
|
||
`POST /api/sources/remove {name}`, `POST /api/sources/check {name|names|category|all}`,
|
||
`POST /api/feed {category,limit}`, `GET /api/job/<id>`.
|
||
|
||
Состояние источников — таблицы `source_flags` и `source_custom` в той же SQLite (`data/omni.sqlite3`).
|
||
|
||
## Как устроено
|
||
|
||
- `omni/net.py` — лестница транспорта: httpx → curl_cffi (подмена TLS-фингерпринта) → прокси из env. Троттлинг по хосту, лимит байт, пометка блокировок.
|
||
- `omni/model.py` — единая схема записи: провайдер, тип, url, заголовок, текст, автор, дата, теги, цена, счёт, simhash.
|
||
- `omni/filter.py` — релевантность: запрос должен быть покрыт текстом (≥60% терминов) и хотя бы один термин — в заголовке. Для русского сравнивает по 5-символьному префиксу, иначе морфология убивает совпадения.
|
||
- `omni/store.py` — SQLite WAL + FTS5, таблицы `items`, `bands`, `runs`. Дедуп: simhash по шинглам, сравнение по Хэммингу ≤3 по бакетам.
|
||
- `omni/rank.py` — вес провайдера, свежесть, наличие цены, вовлечение.
|
||
- `omni/providers/` — по файлу на семейство источников, реестр в `__init__.py`.
|
||
|
||
## Реальные прогоны
|
||
|
||
```
|
||
python -m omni search "scraping twitter without api" --providers reddit,forums,ddg,bing
|
||
bing 10 ok | ddg 10 ok | forums 10 ok | reddit 8 ok
|
||
собрано 38, новых 31, дублей 7
|
||
|
||
python -m omni fanout # 8 тем из themes.txt
|
||
итого новых 200, дублей 5
|
||
|
||
python -m omni stats
|
||
записей 266 | прогонов 56 (ok 37)
|
||
ddg=93 bing=85 forums=56 reddit=32
|
||
```
|
||
|
||
## Ограничения
|
||
|
||
- Reddit напрямую с серверных IP отдаёт 403 — используется архив pullpush; свежие посты (последние часы) в архиве могут отсутствовать.
|
||
- X/Twitter без токена: доступны только публичные встраивания и таймлайн профиля, полноценного полнотекстового поиска нет.
|
||
- mojeek отдаёт пустую страницу при агрессивном троттлинге — провайдер помечается, остальные работают.
|
||
- `cards` не обходит защиту от парсинга: если страница рендерится JS, разметки в html не будет.
|
||
|
||
## Лицензия
|
||
|
||
MIT. |