-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathscraper.py
More file actions
290 lines (255 loc) · 14.1 KB
/
scraper.py
File metadata and controls
290 lines (255 loc) · 14.1 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
InflacionMerida - Scraper Extendido (Mérida XYZ Extra)
Estrategia: navegación de API Mercadona con más de 100 productos categorizados.
Grupos de Índice: Alimentación, Bebidas, Mascotas, Hogar, Higiene.
"""
import sys
import io
import requests
import json
import os
import time
from datetime import datetime
from unicodedata import normalize
# Fuerza UTF-8
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding="utf-8", errors="replace")
sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding="utf-8", errors="replace")
API_BASE = "https://tienda.mercadona.es/api"
WAREHOUSE = "vlc1"
LANG = "es"
HEADERS = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
"Origin": "https://tienda.mercadona.es",
}
# ──────────────────────────────────────────────────────────────────────────────
# CONFIGURACION DE PRODUCTOS (100+ KEYWORDS)
# cada entrada: keyword -> (Categoría Display, Grupo Indice)
# ──────────────────────────────────────────────────────────────────────────────
PRODUCT_MAP = {
# --- ALIMENTACION (Básicos) ---
"leche entera hacendado": ("Lácteos", "ALIMENTACION"),
"leche semidesnatada hacendado": ("Lácteos", "ALIMENTACION"),
"leche desnatada hacendado": ("Lácteos", "ALIMENTACION"),
"yogur natural hacendado": ("Lácteos", "ALIMENTACION"),
"mantequilla hacendado": ("Lácteos", "ALIMENTACION"),
"queso tierno": ("Lácteos", "ALIMENTACION"),
"queso rallado mozzarella": ("Lácteos", "ALIMENTACION"),
"queso lonchas": ("Lácteos", "ALIMENTACION"),
"huevos camperos": ("Huevos", "ALIMENTACION"),
"huevos frescos l": ("Huevos", "ALIMENTACION"),
# Carnes
"filetes pechuga de pollo": ("Carnicería", "ALIMENTACION"),
"contramuslos de pollo": ("Carnicería", "ALIMENTACION"),
"pechuga de pavo": ("Carnicería", "ALIMENTACION"),
"carne picada vacuno": ("Carnicería", "ALIMENTACION"),
"filetes ternera": ("Carnicería", "ALIMENTACION"),
"lomo de cerdo": ("Carnicería", "ALIMENTACION"),
"chorizo": ("Carnicería", "ALIMENTACION"),
"jamon cocido extra": ("Carnicería", "ALIMENTACION"),
"jamon serrano": ("Carnicería", "ALIMENTACION"),
# Pescados
"filetes de merluza": ("Pescado", "ALIMENTACION"),
"merluza": ("Pescado", "ALIMENTACION"),
"salmon": ("Pescado", "ALIMENTACION"),
"atun en aceite de girasol": ("Conservas", "ALIMENTACION"),
"sardinas en aceite": ("Conservas", "ALIMENTACION"),
"mejillones en escabeche": ("Conservas", "ALIMENTACION"),
# Frutas y Verduras
"manzana royal gala": ("Fruta", "ALIMENTACION"),
"manzana golden": ("Fruta", "ALIMENTACION"),
"pera conferencia": ("Fruta", "ALIMENTACION"),
"mandarina": ("Fruta", "ALIMENTACION"),
"platano": ("Fruta", "ALIMENTACION"),
"limon": ("Fruta", "ALIMENTACION"),
"kiwi": ("Fruta", "ALIMENTACION"),
"aguacate": ("Fruta", "ALIMENTACION"),
"tomates rama": ("Verdura", "ALIMENTACION"),
"patatas": ("Verdura", "ALIMENTACION"),
"cebolla": ("Verdura", "ALIMENTACION"),
"zanahoria": ("Verdura", "ALIMENTACION"),
"lechuga iceberg": ("Verdura", "ALIMENTACION"),
"calabacin": ("Verdura", "ALIMENTACION"),
"berenjena": ("Verdura", "ALIMENTACION"),
"brocoli": ("Verdura", "ALIMENTACION"),
"pimiento rojo": ("Verdura", "ALIMENTACION"),
"pepino": ("Verdura", "ALIMENTACION"),
"ajos": ("Verdura", "ALIMENTACION"),
# Desayuno / Despensa
"pan de molde blanco": ("Panadería", "ALIMENTACION"),
"pan integral": ("Panadería", "ALIMENTACION"),
"barra de pan": ("Panadería", "ALIMENTACION"),
"aceite oliva virgen extra": ("Aceites", "ALIMENTACION"),
"aceite girasol": ("Aceites", "ALIMENTACION"),
"arroz redondo": ("Cereales", "ALIMENTACION"),
"espaguetis": ("Cereales", "ALIMENTACION"),
"macarrones": ("Cereales", "ALIMENTACION"),
"lentejas": ("Legumbres", "ALIMENTACION"),
"garbanzos": ("Legumbres", "ALIMENTACION"),
"alubias": ("Legumbres", "ALIMENTACION"),
"azucar blanquilla": ("Básicos", "ALIMENTACION"),
"sal fina": ("Básicos", "ALIMENTACION"),
"harina de trigo": ("Básicos", "ALIMENTACION"),
"cafe molido": ("Despensa", "ALIMENTACION"),
"cacao soluble": ("Despensa", "ALIMENTACION"),
"galletas maria": ("Despensa", "ALIMENTACION"),
"chocolate 70%": ("Despensa", "ALIMENTACION"),
"mermelada": ("Despensa", "ALIMENTACION"),
"miel": ("Despensa", "ALIMENTACION"),
"cereales corn flakes": ("Despensa", "ALIMENTACION"),
"nueces peladas": ("Despensa", "ALIMENTACION"),
"tomate frito": ("Conservas", "ALIMENTACION"),
"tomate triturado": ("Conservas", "ALIMENTACION"),
"caldo de pollo": ("Conservas", "ALIMENTACION"),
# Congelados
"pizza margarita": ("Congelados", "ALIMENTACION"),
"varitas de pescado": ("Congelados", "ALIMENTACION"),
"guisantes congelados": ("Congelados", "ALIMENTACION"),
# --- BEBIDAS / ALCOHOL ---
"cerveza steinburg clasica": ("Cerveza", "BEBIDAS"),
"cerveza cruzcampo": ("Cerveza", "BEBIDAS"),
"vino tinto rioja": ("Vino", "BEBIDAS"),
"vino tinto ribera": ("Vino", "BEBIDAS"),
"vino blanco rueda": ("Vino", "BEBIDAS"),
"refresco cola": ("Refrescos", "BEBIDAS"),
"refresco naranja": ("Refrescos", "BEBIDAS"),
"refresco limon": ("Refrescos", "BEBIDAS"),
"agua mineral grande": ("Agua", "BEBIDAS"),
"zumo naranja exprimido": ("Zumos", "BEBIDAS"),
# --- MASCOTAS ---
"comida perro adulto compy": ("Perro", "MASCOTAS"),
"pienso perro": ("Perro", "MASCOTAS"),
"comida gato adulto compy": ("Gato", "MASCOTAS"),
"pienso gato": ("Gato", "MASCOTAS"),
"arena para gatos": ("Gato", "MASCOTAS"),
"alimento humedo perro": ("Mascotas", "MASCOTAS"),
"alimento humedo gato": ("Mascotas", "MASCOTAS"),
# --- HOGAR / LIMPIEZA ---
"detergente ropa liquido": ("Limpieza", "HOGAR"),
"suavizante ropa": ("Limpieza", "HOGAR"),
"lavavajillas mano": ("Limpieza", "HOGAR"),
"pastillas lavavajillas": ("Limpieza", "HOGAR"),
"limpiador multiusos": ("Limpieza", "HOGAR"),
"lejia": ("Limpieza", "HOGAR"),
"limpiasuelos": ("Limpieza", "HOGAR"),
"papel higienico": ("Papel", "HOGAR"),
"papel de cocina": ("Papel", "HOGAR"),
"bolsas de basura": ("Hogar", "HOGAR"),
# --- HIGIENE ---
"champu": ("Cuidado", "HIGIENE"),
"gel de baño": ("Cuidado", "HIGIENE"),
"pasta de dientes": ("Cuidado", "HIGIENE"),
"desodorante": ("Cuidado", "HIGIENE"),
"jabon de manos": ("Cuidado", "HIGIENE"),
"compresas": ("Cuidado", "HIGIENE"),
"tampones": ("Cuidado", "HIGIENE"),
}
DATA_DIR = os.path.join(os.path.dirname(os.path.abspath(__file__)), "data")
HISTORICO_PATH = os.path.join(DATA_DIR, "historico_completo.json")
# ──────────────────────────────────────────────────────────────────────────────
# HELPERS
# ──────────────────────────────────────────────────────────────────────────────
def nfkd(s: str) -> str:
return normalize("NFKD", s.lower()).encode("ascii", "ignore").decode("ascii")
def get_json(url: str, params: dict = None) -> dict | None:
try:
r = requests.get(url, headers=HEADERS, params=params, timeout=20)
r.raise_for_status()
return r.json()
except Exception as e:
print(f" [!] HTTP error {url}: {e}")
return None
def extraer_precio(product: dict) -> float | None:
try:
pi = product.get("price_instructions", {})
v = pi.get("unit_price") or pi.get("bulk_price")
return float(v) if v is not None else None
except (TypeError, ValueError):
return None
def match_product(nombre_norm: str) -> tuple[str, str, str] | None:
"""Devuelve (keyword, categoria_desc, grupo_indice) si encaja."""
for kw, (cat, grupo) in PRODUCT_MAP.items():
if kw in nombre_norm:
return kw, cat, grupo
return None
# ──────────────────────────────────────────────────────────────────────────────
# MAIN SCRAPER
# ──────────────────────────────────────────────────────────────────────────────
def scrape_full() -> list[dict]:
print(" >> Descargando árbol de categorías de Mercadona...")
raices = get_json(f"{API_BASE}/categories/", {"lang": LANG, "wh": WAREHOUSE})
if not raices or "results" not in raices:
return []
results = raices.get("results", [])
encontrados: dict[str, dict] = {} # key = keyword
for raiz in results:
raiz_name = raiz.get("name", "?")
print(f" -- Procesando raiz: {raiz_name}")
for subcat in raiz.get("categories", []):
subcat_id = str(subcat.get("id", ""))
# Rate limit preventivo
time.sleep(0.4)
data = get_json(f"{API_BASE}/categories/{subcat_id}/", {"lang": LANG, "wh": WAREHOUSE})
if not data: continue
# Recopilar todos los productos de esta subcat (y sus hijos)
productos_sub = []
for c in data.get("categories", [data]):
productos_sub.extend(c.get("products", []))
for prod in productos_sub:
nombre = prod.get("display_name", "")
nombre_n = nfkd(nombre)
match = match_product(nombre_n)
if match:
kw, display_cat, grupo = match
precio = extraer_precio(prod)
if precio is None: continue
# Guardamos el primero que encontremos para esa keyword
if kw not in encontrados:
pi = prod.get("price_instructions", {})
encontrados[kw] = {
"id": str(prod.get("id", "")),
"nombre": nombre,
"precio": precio,
"precio_por_unidad": pi.get("reference_price"),
"unidad_medida": pi.get("reference_format"),
"categoria": display_cat,
"grupo": grupo,
"thumbnail": prod.get("thumbnail"),
"keyword": kw,
}
print(f" [OK] {nombre[:40]:40s} = {precio:5.2f}€ [{grupo}]")
# Si ya hemos encontrado todo, paramos (ahorramos peticiones)
if len(encontrados) >= len(PRODUCT_MAP):
break
final = list(encontrados.values())
print(f"\n >> Fin del scrape. Encontrados {len(final)}/{len(PRODUCT_MAP)} productos.")
return final
def save_data(productos: list[dict], fecha: str):
os.makedirs(DATA_DIR, exist_ok=True)
# Snapshot diario
with open(os.path.join(DATA_DIR, f"prices_{fecha}.json"), "w", encoding="utf-8") as f:
json.dump({"fecha": fecha, "productos": productos}, f, ensure_ascii=False, indent=2)
# Historico completo
if os.path.exists(HISTORICO_PATH):
with open(HISTORICO_PATH, "r", encoding="utf-8") as f:
hist = json.load(f)
else:
hist = {"fechas": [], "datos": {}}
hist["datos"][fecha] = productos
if fecha not in hist["fechas"]:
hist["fechas"].append(fecha)
hist["fechas"].sort()
with open(HISTORICO_PATH, "w", encoding="utf-8") as f:
json.dump(hist, f, ensure_ascii=False, indent=2)
if __name__ == "__main__":
hoy = datetime.now().strftime("%Y-%m-%d")
print(f"\nINFLACION MERIDA - SCRAPER COMPLETO [{hoy}]")
print("=" * 60)
productos = scrape_full()
if productos:
save_data(productos, hoy)
print(f"\nÉXITO: {len(productos)} productos indexados.")
else:
print("\nERROR: No se pudieron obtener datos.")
sys.exit(1)