mirror of
https://github.com/catdevnull/transicion-desordenada-diablo
synced 2024-11-15 02:21:39 +00:00
WIP: estandarizar pedidos http
This commit is contained in:
parent
5880f9f289
commit
59db305e74
3 changed files with 136 additions and 112 deletions
|
@ -1,7 +1,6 @@
|
||||||
import { request } from "undici";
|
|
||||||
import z from "zod";
|
import z from "zod";
|
||||||
import { userAgent } from "./config.js";
|
|
||||||
import { basename } from "path";
|
import { basename } from "path";
|
||||||
|
import { customRequestWithLimitsAndRetries } from "./network.js";
|
||||||
|
|
||||||
const zCkanPackageList = z.object({
|
const zCkanPackageList = z.object({
|
||||||
success: z.literal(true),
|
success: z.literal(true),
|
||||||
|
@ -12,11 +11,7 @@ const zCkanPackageList = z.object({
|
||||||
* @param {string} url
|
* @param {string} url
|
||||||
*/
|
*/
|
||||||
async function getJson(url) {
|
async function getJson(url) {
|
||||||
const res = await request(url, {
|
const res = await customRequestWithLimitsAndRetries(new URL(url));
|
||||||
headers: {
|
|
||||||
"User-Agent": userAgent,
|
|
||||||
},
|
|
||||||
});
|
|
||||||
const json = await res.body.json();
|
const json = await res.body.json();
|
||||||
return json;
|
return json;
|
||||||
}
|
}
|
||||||
|
|
|
@ -1,32 +1,14 @@
|
||||||
import { mkdir, open, writeFile } from "node:fs/promises";
|
import { mkdir, open, writeFile } from "node:fs/promises";
|
||||||
import { Agent, fetch, request, setGlobalDispatcher } from "undici";
|
|
||||||
import { join, normalize } from "node:path";
|
import { join, normalize } from "node:path";
|
||||||
import pLimit from "p-limit";
|
import { targetsPorDefecto } from "./config.js";
|
||||||
import { targetsPorDefecto, userAgent } from "./config.js";
|
|
||||||
import { generateDataJsonFromCkan } from "./ckan_to_datajson.js";
|
import { generateDataJsonFromCkan } from "./ckan_to_datajson.js";
|
||||||
import { zData } from "common/schema.js";
|
import { zData } from "common/schema.js";
|
||||||
|
import {
|
||||||
|
StatusCodeError,
|
||||||
|
TooManyRedirectsError,
|
||||||
|
customRequestWithLimitsAndRetries,
|
||||||
|
} from "./network.js";
|
||||||
|
|
||||||
setGlobalDispatcher(
|
|
||||||
new Agent({
|
|
||||||
pipelining: 0,
|
|
||||||
}),
|
|
||||||
);
|
|
||||||
|
|
||||||
/** key es host
|
|
||||||
* @type {Map<string, import("p-limit").LimitFunction>} */
|
|
||||||
const limiters = new Map();
|
|
||||||
const nThreads = process.env.N_THREADS ? parseInt(process.env.N_THREADS) : 8;
|
|
||||||
|
|
||||||
class StatusCodeError extends Error {
|
|
||||||
/**
|
|
||||||
* @param {number} code
|
|
||||||
*/
|
|
||||||
constructor(code) {
|
|
||||||
super(`Status code: ${code}`);
|
|
||||||
this.code = code;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
class TooManyRedirectsError extends Error {}
|
|
||||||
let urls = process.argv.slice(2);
|
let urls = process.argv.slice(2);
|
||||||
if (urls.length < 1) {
|
if (urls.length < 1) {
|
||||||
urls = targetsPorDefecto;
|
urls = targetsPorDefecto;
|
||||||
|
@ -43,7 +25,7 @@ const targets = urls.map((url) => {
|
||||||
});
|
});
|
||||||
for (const target of targets)
|
for (const target of targets)
|
||||||
downloadFromData(target).catch((error) =>
|
downloadFromData(target).catch((error) =>
|
||||||
console.error(`${target.type}+${target.url} FALLÓ CON`, error),
|
console.error(`${target.type}+${target.url} FALLÓ CON`, error)
|
||||||
);
|
);
|
||||||
|
|
||||||
/**
|
/**
|
||||||
|
@ -55,8 +37,10 @@ async function downloadFromData(target) {
|
||||||
if (target.type === "ckan") {
|
if (target.type === "ckan") {
|
||||||
json = await generateDataJsonFromCkan(target.url);
|
json = await generateDataJsonFromCkan(target.url);
|
||||||
} else if (target.type === "datajson") {
|
} else if (target.type === "datajson") {
|
||||||
const jsonRes = await fetch(target.url);
|
const jsonRes = await customRequestWithLimitsAndRetries(
|
||||||
json = await jsonRes.json();
|
new URL(target.url)
|
||||||
|
);
|
||||||
|
json = await jsonRes.body.json();
|
||||||
}
|
}
|
||||||
|
|
||||||
const parsed = zData.parse(json);
|
const parsed = zData.parse(json);
|
||||||
|
@ -84,12 +68,12 @@ async function downloadFromData(target) {
|
||||||
return true;
|
return true;
|
||||||
} catch (error) {
|
} catch (error) {
|
||||||
errorFile.write(
|
errorFile.write(
|
||||||
JSON.stringify(encodeError({ dataset, dist }, error)) + "\n",
|
JSON.stringify(encodeError({ dataset, dist }, error)) + "\n"
|
||||||
);
|
);
|
||||||
nErrors++;
|
nErrors++;
|
||||||
return false;
|
return false;
|
||||||
}
|
}
|
||||||
},
|
}
|
||||||
)
|
)
|
||||||
.map((dist) => ({
|
.map((dist) => ({
|
||||||
dataset,
|
dataset,
|
||||||
|
@ -97,7 +81,7 @@ async function downloadFromData(target) {
|
||||||
url: patchUrl(new URL(dist.downloadURL)),
|
url: patchUrl(new URL(dist.downloadURL)),
|
||||||
outputPath,
|
outputPath,
|
||||||
attempts: 0,
|
attempts: 0,
|
||||||
})),
|
}))
|
||||||
);
|
);
|
||||||
const totalJobs = jobs.length;
|
const totalJobs = jobs.length;
|
||||||
|
|
||||||
|
@ -106,15 +90,9 @@ async function downloadFromData(target) {
|
||||||
|
|
||||||
shuffleArray(jobs);
|
shuffleArray(jobs);
|
||||||
|
|
||||||
const promises = jobs.map((job) => {
|
const promises = jobs.map(async (job) => {
|
||||||
let limit = limiters.get(job.url.host);
|
|
||||||
if (!limit) {
|
|
||||||
limit = pLimit(nThreads);
|
|
||||||
limiters.set(job.url.host, limit);
|
|
||||||
}
|
|
||||||
return limit(async () => {
|
|
||||||
try {
|
try {
|
||||||
await downloadDistWithRetries(job);
|
return await downloadDistWithRetries(job);
|
||||||
} catch (error) {
|
} catch (error) {
|
||||||
errorFile.write(JSON.stringify(encodeError(job, error)) + "\n");
|
errorFile.write(JSON.stringify(encodeError(job, error)) + "\n");
|
||||||
nErrors++;
|
nErrors++;
|
||||||
|
@ -122,12 +100,11 @@ async function downloadFromData(target) {
|
||||||
nFinished++;
|
nFinished++;
|
||||||
}
|
}
|
||||||
});
|
});
|
||||||
});
|
|
||||||
|
|
||||||
process.stderr.write(`info[${outputPath}]: 0/${totalJobs} done\n`);
|
process.stderr.write(`info[${outputPath}]: 0/${totalJobs} done\n`);
|
||||||
const interval = setInterval(() => {
|
const interval = setInterval(() => {
|
||||||
process.stderr.write(
|
process.stderr.write(
|
||||||
`info[${outputPath}]: ${nFinished}/${totalJobs} done\n`,
|
`info[${outputPath}]: ${nFinished}/${totalJobs} done\n`
|
||||||
);
|
);
|
||||||
}, 30000);
|
}, 30000);
|
||||||
await Promise.all(promises);
|
await Promise.all(promises);
|
||||||
|
@ -150,67 +127,19 @@ export function generateOutputPath(jsonUrlString) {
|
||||||
|
|
||||||
/**
|
/**
|
||||||
* @argument {DownloadJob} job
|
* @argument {DownloadJob} job
|
||||||
* @argument {number} attempts
|
|
||||||
* @returns {Promise<void>}
|
|
||||||
*/
|
*/
|
||||||
async function downloadDistWithRetries(job, attempts = 0) {
|
async function downloadDistWithRetries({ dist, dataset, url, outputPath }) {
|
||||||
const { url } = job;
|
const res = await customRequestWithLimitsAndRetries(url);
|
||||||
try {
|
|
||||||
await downloadDist(job);
|
|
||||||
} catch (error) {
|
|
||||||
// algunos servidores usan 403 como coso para decir "calmate"
|
|
||||||
// intentar hasta 15 veces con 15 segundos de por medio
|
|
||||||
if (
|
|
||||||
error instanceof StatusCodeError &&
|
|
||||||
((error.code === 403 && url.host === "minsegar-my.sharepoint.com") ||
|
|
||||||
(error.code === 503 && url.host === "cdn.buenosaires.gob.ar")) &&
|
|
||||||
attempts < 15
|
|
||||||
) {
|
|
||||||
await wait(15000);
|
|
||||||
return await downloadDistWithRetries(job, attempts + 1);
|
|
||||||
}
|
|
||||||
// si no fue un error de http, reintentar hasta 3 veces con 5 segundos de por medio
|
|
||||||
else if (
|
|
||||||
!(error instanceof StatusCodeError) &&
|
|
||||||
!(error instanceof TooManyRedirectsError) &&
|
|
||||||
attempts < 3
|
|
||||||
) {
|
|
||||||
await wait(5000 + Math.random() * 10000);
|
|
||||||
return await downloadDistWithRetries(job, attempts + 1);
|
|
||||||
} else throw error;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
/**
|
|
||||||
* @argument {DownloadJob} job
|
|
||||||
*/
|
|
||||||
async function downloadDist({ dist, dataset, url, outputPath }) {
|
|
||||||
// sharepoint no le gusta compartir a bots lol
|
|
||||||
const spoofUserAgent = url.host.endsWith("sharepoint.com");
|
|
||||||
|
|
||||||
const res = await request(url.toString(), {
|
|
||||||
maxRedirections: 20,
|
|
||||||
headers: {
|
|
||||||
"User-Agent": spoofUserAgent
|
|
||||||
? "Mozilla/5.0 (X11; Linux x86_64; rv:120.0) Gecko/20100101 Firefox/120.0"
|
|
||||||
: userAgent,
|
|
||||||
},
|
|
||||||
});
|
|
||||||
if (res.statusCode >= 300 && res.statusCode <= 399)
|
|
||||||
throw new TooManyRedirectsError();
|
|
||||||
if (res.statusCode < 200 || res.statusCode > 299) {
|
|
||||||
throw new StatusCodeError(res.statusCode);
|
|
||||||
}
|
|
||||||
|
|
||||||
const fileDirPath = join(
|
const fileDirPath = join(
|
||||||
outputPath,
|
outputPath,
|
||||||
sanitizeSuffix(dataset.identifier),
|
sanitizeSuffix(dataset.identifier),
|
||||||
sanitizeSuffix(dist.identifier),
|
sanitizeSuffix(dist.identifier)
|
||||||
);
|
);
|
||||||
await mkdir(fileDirPath, { recursive: true });
|
await mkdir(fileDirPath, { recursive: true });
|
||||||
const filePath = join(
|
const filePath = join(
|
||||||
fileDirPath,
|
fileDirPath,
|
||||||
sanitizeSuffix(dist.fileName || dist.identifier),
|
sanitizeSuffix(dist.fileName || dist.identifier)
|
||||||
);
|
);
|
||||||
|
|
||||||
if (!res.body) throw new Error("no body");
|
if (!res.body) throw new Error("no body");
|
||||||
|
@ -240,11 +169,11 @@ function sanitizeSuffix(path) {
|
||||||
*/
|
*/
|
||||||
function chequearIdsDuplicados(jobs, id) {
|
function chequearIdsDuplicados(jobs, id) {
|
||||||
const duplicated = hasDuplicates(
|
const duplicated = hasDuplicates(
|
||||||
jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`),
|
jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`)
|
||||||
);
|
);
|
||||||
if (duplicated) {
|
if (duplicated) {
|
||||||
console.error(
|
console.error(
|
||||||
`ADVERTENCIA[${id}]: ¡encontré duplicados! es posible que se pisen archivos entre si`,
|
`ADVERTENCIA[${id}]: ¡encontré duplicados! es posible que se pisen archivos entre si`
|
||||||
);
|
);
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
@ -254,11 +183,6 @@ function hasDuplicates(array) {
|
||||||
return new Set(array).size !== array.length;
|
return new Set(array).size !== array.length;
|
||||||
}
|
}
|
||||||
|
|
||||||
/** @argument {number} ms */
|
|
||||||
function wait(ms) {
|
|
||||||
return new Promise((resolve) => setTimeout(resolve, ms));
|
|
||||||
}
|
|
||||||
|
|
||||||
/**
|
/**
|
||||||
* @param {{ dataset: import("common/schema.js").Dataset, dist: import("common/schema.js").Distribution, url?: URL }} job
|
* @param {{ dataset: import("common/schema.js").Dataset, dist: import("common/schema.js").Distribution, url?: URL }} job
|
||||||
* @param {any} error
|
* @param {any} error
|
||||||
|
|
105
downloader/network.js
Normal file
105
downloader/network.js
Normal file
|
@ -0,0 +1,105 @@
|
||||||
|
import { Dispatcher, request, Agent, setGlobalDispatcher } from "undici";
|
||||||
|
import pLimit from "p-limit";
|
||||||
|
import { userAgent } from "./config.js";
|
||||||
|
|
||||||
|
setGlobalDispatcher(
|
||||||
|
new Agent({
|
||||||
|
pipelining: 0,
|
||||||
|
bodyTimeout: 15 * 60 * 1000,
|
||||||
|
})
|
||||||
|
);
|
||||||
|
|
||||||
|
export class StatusCodeError extends Error {
|
||||||
|
/**
|
||||||
|
* @param {number} code
|
||||||
|
*/
|
||||||
|
constructor(code) {
|
||||||
|
super(`Status code: ${code}`);
|
||||||
|
this.code = code;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
export class TooManyRedirectsError extends Error {}
|
||||||
|
|
||||||
|
/** key es host
|
||||||
|
* @type {Map<string, import("p-limit").LimitFunction>} */
|
||||||
|
const limiters = new Map();
|
||||||
|
const nConnections = process.env.N_THREADS
|
||||||
|
? parseInt(process.env.N_THREADS)
|
||||||
|
: 8;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* @argument {URL} url
|
||||||
|
* @argument {number} attempts
|
||||||
|
* @returns {Promise<Dispatcher.ResponseData>}
|
||||||
|
*/
|
||||||
|
export async function customRequestWithLimitsAndRetries(url, attempts = 0) {
|
||||||
|
try {
|
||||||
|
return await _customRequestWithLimits(url);
|
||||||
|
} catch (error) {
|
||||||
|
// algunos servidores usan 403 como coso para decir "calmate"
|
||||||
|
// intentar hasta 15 veces con 15 segundos de por medio
|
||||||
|
if (
|
||||||
|
error instanceof StatusCodeError &&
|
||||||
|
((error.code === 403 && url.host === "minsegar-my.sharepoint.com") ||
|
||||||
|
(error.code === 503 && url.host === "cdn.buenosaires.gob.ar")) &&
|
||||||
|
attempts < 15
|
||||||
|
) {
|
||||||
|
await wait(15000);
|
||||||
|
return await customRequestWithLimitsAndRetries(url, attempts + 1);
|
||||||
|
}
|
||||||
|
// si no fue un error de http, reintentar hasta 3 veces con ~10 segundos de por medio
|
||||||
|
else if (
|
||||||
|
!(error instanceof StatusCodeError) &&
|
||||||
|
!(error instanceof TooManyRedirectsError) &&
|
||||||
|
attempts < 7
|
||||||
|
) {
|
||||||
|
await wait(5000 + Math.random() * 10000);
|
||||||
|
return await customRequestWithLimitsAndRetries(url, attempts + 1);
|
||||||
|
} else throw error;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
/** @argument {number} ms */
|
||||||
|
function wait(ms) {
|
||||||
|
return new Promise((resolve) => setTimeout(resolve, ms));
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* @param {URL} url
|
||||||
|
*/
|
||||||
|
async function _customRequestWithLimits(url) {
|
||||||
|
let limit = limiters.get(url.host);
|
||||||
|
if (!limit) {
|
||||||
|
limit = pLimit(
|
||||||
|
// tenemos que pingear mucho la API
|
||||||
|
url.host === "data.buenosaires.gob.ar" ? 32 : nConnections
|
||||||
|
);
|
||||||
|
limiters.set(url.host, limit);
|
||||||
|
}
|
||||||
|
return limit(async () => {
|
||||||
|
return await _customRequest(url);
|
||||||
|
});
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* @param {URL} url
|
||||||
|
*/
|
||||||
|
async function _customRequest(url) {
|
||||||
|
// sharepoint no le gusta compartir a bots lol
|
||||||
|
const spoofUserAgent = url.host.endsWith("sharepoint.com");
|
||||||
|
|
||||||
|
const res = await request(url.toString(), {
|
||||||
|
maxRedirections: 20,
|
||||||
|
headers: {
|
||||||
|
"User-Agent": spoofUserAgent
|
||||||
|
? "Mozilla/5.0 (X11; Linux x86_64; rv:120.0) Gecko/20100101 Firefox/120.0"
|
||||||
|
: userAgent,
|
||||||
|
},
|
||||||
|
});
|
||||||
|
if (res.statusCode >= 300 && res.statusCode <= 399)
|
||||||
|
throw new TooManyRedirectsError();
|
||||||
|
if (res.statusCode < 200 || res.statusCode > 299)
|
||||||
|
throw new StatusCodeError(res.statusCode);
|
||||||
|
|
||||||
|
return res;
|
||||||
|
}
|
Loading…
Reference in a new issue