Initial commit: Hermes Agent Skills collection

This commit is contained in:
Debian
2026-07-12 19:02:59 +00:00
commit e9cc106625
789 changed files with 233126 additions and 0 deletions
@@ -0,0 +1,185 @@
# Mass Scraping: Chefkoch-Harvesting (>1000 Rezepte)
## Überblick
Bei Zielen >1000 Rezepten reicht der Single-URL-Fall-back-Modus nicht aus. Chefkoch bietet
380.000+ Rezepte; die verlässliche Technik ist ein **Two-Phase Discovery + Harvest**
mit Playwright-Multi-Worker-Architektur.
## Architektur-Blueprint
```
Discovery-Phase Harvest-Phase
──────────────────────── ──────────────────
Search-Seite (Playwright) → Worker-Pool (510 Threads)
└─ Scroll-Trigger → │- Browser-Context pro Worker
└─ a[href*='rezepte/'] → │- JSON-LD/DOM-Fallback
│ │- Append-Only JSONL
▼ ↓
[URL-Queue] real_recipes.jsonl
│ scraper_state.json
└─ Deduplication (URL-Hash-Set)
```
## Phase 1: Link-Discovery
```python
from playwright.sync_api import sync_playwright
def discover_urls(seed: str, page_num: int) -> list[str]:
search_url = f"https://www.chefkoch.de/rs/s{page_num}/{seed}/Rezepte.html"
with sync_playwright() as p:
browser = p.chromium.launch(headless=True)
page = browser.new_page(viewport={"width": 1280, "height": 900})
page.goto(search_url, wait_until="networkidle", timeout=25000)
# Lazy-load trigger
for _ in range(4):
page.evaluate("window.scrollBy(0, 1000)")
time.sleep(0.4)
links = page.evaluate('''() => {
const cards = document.querySelectorAll('article[class*="recipe"], .ds-recipe-card');
const found = [];
for (const card of cards) {
const a = card.querySelector('a[href*="/rezepte/"]');
if (a && a.href) found.push(a.href.split('#')[0].split('?')[0]);
}
if (found.length === 0) {
document.querySelectorAll('a[href*="/rezepte/"]').forEach(a => {
if (a.href) found.push(a.href.split('#')[0].split('?')[0]);
});
}
return [...new Set(found)];
}''')
browser.close()
# Filter to real recipe URLs only
return [u for u in links if re.search(r'/rezepte/\d+/', u)]
```
### Seed-Strategie
30+ breite Suchbegriffe (einfach, asiatisch, hähnchen, dessert, ...) erzeugen
~150 Suchseiten = Tausende eindeutige Rezept-URLs. Der Queue wird gemischt, um
keine Quelle zu überlasten.
## Phase 2: Rezept-Harvest
### A) JSON-LD-Extraktion (primär)
```python
def scrape_jsonld(page, url: str) -> dict | None:
page.goto(url, wait_until="networkidle", timeout=20000)
scripts = page.locator('script[type="application/ld+json"]').all()
for script in scripts:
try:
data = json.loads(script.inner_text())
if isinstance(data, list):
for item in data:
if item.get("@type") == "Recipe":
return _normalize(item, url)
elif data.get("@type") == "Recipe":
return _normalize(data, url)
except Exception:
continue
return None
```
### B) DOM-Fallback (selektiv)
Wenn JSON-LD fehlt oder leer:
```python
# Zutaten-Tabelle
rows = page.locator("table.ingredients tbody tr").all()
# Anleitung
steps = page.locator("article p").all()
```
## Speicherformat: JSON Lines (JSONL)
**Niemals ein großes JSON-Dump verwenden** — bei Absturz ist alles verloren.
```
real_recipes.jsonl # append-only
scraper_state.json # resume-Informationen
scraper.log # menschenlesbarer Fortschritt
```
### JSONL-Struktur pro Zeile
```json
{
"id": "347aaae514e25800",
"name": "Erdbeerkuchen - einfaches Rezept",
"description": "...",
"category": "Backen",
"tags": ["Sommer", "Kuchen", "Frühling"],
"difficulty": "einfach",
"base_servings": "12 Port.",
"prep_time": "P0DT0H40M",
"cook_time": "P0DT0H25M",
"total_time": "P0DT1H5M",
"ingredients": [{"raw": "125 g Zucker"}, ...],
"instructions": ["Schritt 1 ...", "Schritt 2 ..."],
"nutrition": {},
"rating": "4.77",
"review_count": "724",
"author": "Loeckchen87",
"images": ["https://img.chefkoch-cdn.de/..."],
"source_url": "https://www.chefkoch.de/rezepte/...",
"sources": [{"site": "chefkoch.de", "url": "...", "type": "de"}],
"_scraped_at": "2026-06-18T05:13:31"
}
```
## Worker-Pool & Concurrency
```python
WORKERS = 5
DELAY_RANGE = (1.0, 2.5) # pro Worker individuell
```
**Niemals 20+ Worker** — Chefkoch merkt sich IPs und verzögert massiv. 5 Worker
mit 12 s Delay liefern
6080 Rezepte/Minute, bei 5.000 Rezepten ≈ 6090 Min.
## State-Management
```json
{
"started_at": "2026-06-18T05:13:20",
"last_update": "2026-06-18T05:22:26",
"recipes_count": 5000,
"completed_seeds": {"asiatisch": 4, "pasta": 2, ...},
"failed_urls": [],
"worker_stats": {
"0": {"scraped": 1020, "errors": 3},
...
}
}
```
## Patience & Monitoring
- **Starten**: Hintergrundprozess, kein Blocking der CLI
- **Log**: `tail -f scraper.log`
- **Zwischenspeichern**: Nach jeweils 10 Rezepten die DB flushen
- **Auto-Refill-Cronjob**: Täglich 06:00 — prüft Count, startet nur wenn < Ziel
## Bekannte Fehler & Workarounds
| Fehler | Ursache | Workaround |
|--------|---------|------------|
| `links = 0` auf Search-Seite | Cookie-Banner blockiert Scroll | Klick auf Zustimmen vor Scroll |
| `JSONDecodeError` bei JSON-LD | Verunreinigte Blocks mit HTML | `try/except` pro Block |
| `TimeoutError` bei Recipe-Seite | Langsamer Server | Erhöhe auf 30 s, 1 Retry |
| `Duplicate URLs` | `/rezepte/123/` vs `/rezepte/123/Name.html` | Immer `split('#')[0].split('?')[0]` |
| Worker-Crash | Memory-Overflow bei Langzeitsession | Browser pro Worker alle 500 Seiten restarten |
## Ergebnis-Kosten pro 5000 Rezepte
| Metrik | Wert |
|--------|------|
| Scraping-Zeit | ~6090 min |
| JSONL-Dateigröße | ~3050 MB |
| Einzigartige Rezepte | ~95% der gescrapeten URLs (Deduplication) |
| Fehlerrate | <1% (Timeouts / 404) |