ihaleist/server/site-scan.mjs

/**
 * Gerçek firma web sitesi tarama + AI ile yetkinlik çıkarımı.
 *
 * Eski webScraperService.js sabit bir anahtar-kelime sözlüğüydü (domainde
 * "medikal" geçince tıbbi ürün listesi uyduruyordu). Bu modül siteyi
 * GERÇEKTEN çeker, metnini çıkarır ve AI ile ne tedarik edebildiğini belirler.
 *
 * Bağımlılık yok (Node 18+ fetch).
 */

import { analyzeSpec, aiConfigured } from './ai.mjs';

const UA = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/138.0.0.0 Safari/537.36';
const MAX_BYTE = 1.5 * 1024 * 1024;

const ENT = { '&nbsp;': ' ', '&amp;': '&', '&lt;': '<', '&gt;': '>', '&quot;': '"', '&#39;': "'" };

function htmlToText(html) {
  return String(html || '')
    .replace(/<\s*(script|style|noscript|svg)[^>]*>[\s\S]*?<\s*\/\s*\1\s*>/gi, ' ')
    .replace(/<\s*\/\s*(p|div|li|h[1-6]|tr|section)\s*>/gi, '\n')
    .replace(/<br\s*\/?>/gi, '\n')
    .replace(/<[^>]+>/g, ' ')
    .replace(/&[a-z#0-9]+;/gi, (m) => ENT[m.toLowerCase()] ?? ' ')
    .replace(/[ \t]+/g, ' ')
    .replace(/\n{3,}/g, '\n\n')
    .trim();
}

function normalizeUrl(input) {
  let u = String(input || '').trim();
  if (!u) throw new Error('Adres gerekli');
  if (!/^https?:\/\//i.test(u)) u = 'https://' + u;
  const url = new URL(u);
  if (!/^https?:$/.test(url.protocol)) throw new Error('Yalnızca http/https desteklenir');
  return url;
}

async function fetchPage(url, timeout = 20000) {
  const res = await fetch(url, {
    headers: { 'User-Agent': UA, 'Accept-Language': 'tr,en;q=0.8', Accept: 'text/html,application/xhtml+xml' },
    redirect: 'follow',
    signal: AbortSignal.timeout(timeout),
  });
  if (!res.ok) throw new Error(`Sayfa alınamadı (HTTP ${res.status})`);
  const tip = res.headers.get('content-type') || '';
  if (!/text\/html|application\/xhtml/i.test(tip)) throw new Error('Adres bir web sayfası değil');
  const buf = await res.arrayBuffer();
  if (buf.byteLength > MAX_BYTE) throw new Error('Sayfa çok büyük');
  return new TextDecoder('utf-8').decode(buf);
}

// Ana sayfadan iç sayfa adaylarını çıkar (hakkımızda, ürünler, hizmetler…)
const IC_SAYFA = /(urun|ürün|hizmet|product|service|hakk|about|katalog|cozum|çözüm|referans|belge|sertifika)/i;

function icLinkler(html, base) {
  const out = new Set();
  const re = /<a[^>]+href=["']([^"'#]+)["']/gi;
  let m;
  while ((m = re.exec(html)) && out.size < 40) {
    try {
      const u = new URL(m[1], base);
      if (u.hostname !== new URL(base).hostname) continue;
      if (!IC_SAYFA.test(u.pathname)) continue;
      u.hash = '';
      out.add(u.href);
    } catch { /* geçersiz link */ }
  }
  return [...out].slice(0, 4);
}

const SISTEM = `Sen Türkiye kamu ihalelerine katılan firmaların yetkinliklerini belirleyen bir analistsin.
Sana bir firmanın web sitesinden çıkarılmış metin verilecek.
YALNIZCA geçerli JSON döndür, başka metin yazma. Şema:
{
  "firmaAdi": "sitede geçen firma adı veya null",
  "ozet": "firmanın ne yaptığına dair 1-2 cümle",
  "sektorler": ["firmanın faaliyet gösterdiği sektörler"],
  "urunler": ["tedarik edebildiği somut ürün/hizmetler"],
  "sertifikalar": ["sitede belirtilen belge/sertifikalar"],
  "ihaleKonulari": ["bu firmanın teklif verebileceği ihale konu başlıkları — kısa, aranabilir terimler"]
}
KURALLAR:
- Yalnızca metinde GERÇEKTEN geçen bilgileri yaz. Uydurma.
- Metinde yoksa boş dizi veya null bırak.
- ihaleKonulari en fazla 12 madde, her biri 1-4 kelime, ihale ilanlarında aranabilecek terimler olsun
  (ör. "tıbbi sarf malzeme", "iş güvenliği ekipmanı", "temizlik kimyasalı").`;

/**
 * Siteyi çeker ve AI ile yetkinlik çıkarır.
 * @returns {{url, tarananSayfa, karakter, sonuc}}
 */
export async function scanSite(inputUrl) {
  if (!aiConfigured()) {
    throw new Error('Site analizi için AI yapılandırılmamış (OPENROUTER_API_KEY gerekli).');
  }
  const url = normalizeUrl(inputUrl);
  const ana = await fetchPage(url.href);
  const sayfalar = [{ url: url.href, metin: htmlToText(ana) }];

  // Birkaç iç sayfayı da tara (ürün/hizmet sayfaları en bilgilendirici)
  for (const link of icLinkler(ana, url.href)) {
    try {
      const html = await fetchPage(link, 15000);
      const metin = htmlToText(html);
      if (metin.length > 200) sayfalar.push({ url: link, metin });
    } catch { /* iç sayfa atlanabilir */ }
  }

  const birlesik = sayfalar
    .map((s) => `--- ${s.url} ---\n${s.metin.slice(0, 12000)}`)
    .join('\n\n')
    .slice(0, 45000);

  if (birlesik.replace(/\s/g, '').length < 200) {
    throw new Error('Siteden yeterli metin çıkarılamadı (JavaScript ile yüklenen bir site olabilir).');
  }

  const out = await analyzeSpec({
    text: birlesik,
    fileName: url.hostname,
    tender: null,
    chain: null,
    systemOverride: SISTEM,
  });

  return {
    url: url.href,
    tarananSayfa: sayfalar.length,
    sayfalar: sayfalar.map((s) => s.url),
    karakter: birlesik.length,
    model: out.model,
    sonuc: out.result,
  };
}