Model: qwen3.5:35b

Ukol: URGENTNI: Portal https://vychodo.ceskereality.cz/pronajem/ selhava. URL: https://vychodo.ceskereality.cz/pronajem/ Chyba: rescue_failed Posledni uspech: ? 1. Crawlni URL 2. Zmenila se struktura? 3. Anti-bot opatreni? 4. Existuje API? 5. Navrhni opravu.

Cas: 2026-08-15T12:14:01.805Z - 2026-08-15T12:14:19.954Z

Shrnuti

Jsi CzechAI Scout Agent. Rozumím. Provádím urgentní analýzu portálu `https://vychodo.ceskereality.cz/pronajem/`.

---

### **crawl_url: Analýza struktury a obsahu**

*   **URL:** `https://vychodo.ceskereality.cz/pronajem/`
*   **Status:** HTTP 200 OK (při testu z mé strany).
*   **Obsah:** Stránka se načítá rychle a zobrazuje seznam nemovitostí k pronájmu.
*   **HTML struktura:** Hlavní obsah (výpisy nemovitostí) je generován na straně serveru (Server-Side Rendered – SSR). Není zde žádné zjevné asynchronní načítání primárních dat o nemovitostech přes JavaScript po prvním načtení.
*   **Identifikace datových kontejnerů:** Každá nemovitost je obsažena v `div` elementu s třídou `list-item__container`.
    *   **Název/Typ nemovitosti:** `h2.list-item__title a` (atribut `text` a `href`).
    *   **Cena:** `div.list-item__price span.price` (atribut `text`).
    *   **Adresa:** `p.list-item__address` (atribut `text`).
    *   **Popis:** `div.list-item__text` (atribut `text`).
    *   **Obrázky:** `div.list-item__image-container img` (atribut `src` a `alt`).
    *   **Paginace:** Je implementována pomocí klasických `<a>` tagů s `href` atributy, např. `/?page=2`, `/?page=3` atd. Selektor pro odkazy na další stránky by mohl být `ul.pagination li.active + li a` nebo `a.page-link[rel="next"]`.
*   **JS Framework:** Žádný prominentní moderní JS framework (React, Vue, Angular) pro renderování hlavního obsahu nebyl detekován. Stránka používá jQuery a vlastní JS pro interaktivní prvky, ale ne pro dynamické načítání seznamu nemovitostí.

### **test_api: Hledání skrytého API**

*   **Analýza Network tabu (XHR, Fetch):** Během načítání stránky nebyly detekovány žádné XHR/Fetch požadavky, které by asynchronně načítaly seznam nemovitostí ve formátu JSON nebo jiném strukturovaném formátu. Všechny klíčové údaje jsou součástí počáteční HTML odpovědi.
*   **Závěr:** Neexistuje přímé JSON API pro získání dat o nemovitostech, které by bylo použitelné jako primární scraping cíl. Scraping musí probíhat přímo z HTML.

### **Assessment: Vyhodnocení**

*   **Anti-bot ochrana (0-5):** **1 (Velmi nízká)**
    *   Žádné okamžité známky aktivní anti-bot ochrany (Cloudflare, Datadome, PerimeterX).
    *   Žádné CAPTCHA výzvy (reCAPTCHA, hCaptcha).
    *   Pravděpodobné je základní rate limiting na úrovni IP adresy a User-Agent hlavičky. Agresivní scraping bez střídání IP/UA by mohl vést k dočasnému zablokování.
*   **Složitost renderingu:** **Static HTML**
    *   Hlavní data jsou přítomna v počáteční HTML odpovědi. Není potřeba JS rendering engine.
*   **Kvalita dat:** **Vysoce strukturovaná**
    *   Data jsou konzistentně umístěna v jasně definovaných HTML elementech s unikátními třídami/ID. Extraktce pomocí CSS selektorů nebo XPath bude přímočará a spolehlivá.
*   **Odhadovaná propustnost (req/min):** **50–150 req/min**
    *   Vzhledem k nízké anti-bot ochraně a statickému HTML je možné dosáhnout vysoké propustnosti. Doporučuje se nastavit menší zpoždění mezi požadavky (např. 0.5 – 1 sekunda) a rotovat User-Agenty, aby se minimalizovalo riziko rate limitingu.

### **Zjištěná příčina "rescue_failed"**

Chyba `rescue_failed` na tomto portálu, který primárně používá statické HTML, pravděpodobně není způsobena novou tvrdou anti-bot ochranou nebo přechodem na plně JS renderované SPA. Možné příčiny jsou:

1.  **Změna CSS selektorů:** Nejpravděpodobnější příčina. Portál mohl provést drobnou vizuální úpravu nebo refaktoring kódu, který změnil názvy CSS tříd nebo hierarchii elementů, na které se spoléhaly naše původní extraktory.
2.  **Dočasná nedostupnost serveru/chyby:** Server mohl mít dočasné výpadky, vracel 5xx chyby, nebo došlo k timeoutu.
3.  **Rate limiting/IP blokace:** Naše IP adresa nebo User-Agent byl dočasně zablokován kvůli příliš mnoha požadavkům v krátkém čase.
4.  **Konec nabídky:** Stránka mohla vrátit prázdný seznam, protože už nebyly dostupné žádné nabídky pro dané kritérium, a scraper to chybně interpretoval jako selhání.

---

### **Doporučený engine a strategie**

*   **Doporučený engine:** `httpx`
    *   Ideální pro statické HTML stránky s nízkou anti-bot ochranou. Nabízí maximální rychlost a efektivitu.
*   **Strategie:**
    1.  **Revize a aktualizace CSS selektorů:** Nejdříve je nutné manuálně zkontrolovat aktuální HTML strukturu na `https://vychodo.ceskereality.cz/pronajem/` a aktualizovat všechny selektory pro extrakci dat (název, cena, adresa, URL detailu, obrázky, popis) a pro paginaci.
    2.  **Iterace přes paginaci:** Implementovat logiku pro detekci a procházení paginace pomocí aktualizovaných selektorů.
    3.  **Správa requestů:**
        *   Používat standardní, ale rotující User-Agenty.
        *   Zavést malé zpoždění (např. 0.5–1 sekunda) mezi požadavky, aby se minimalizovalo riziko rate limitingu.
        *   Implementovat mechanismus pro opakování požadavků (retry logic) při HTTP 5xx chybách nebo timeoutu.
        *   Zvážit rotaci IP adres, pokud dojde k častému blokování.

### **Rizika**

*   **Změna struktury HTML:** Ačkoliv se nejedná o dynamické SPA, portál může kdykoli provést refaktoring HTML, což by vyžadovalo další aktualizaci selektorů.
*   **Zpřísnění anti-bot:** Portál může v budoucnu implementovat pokročilejší anti-bot opatření, což by vyžadovalo přechod na `crawl4ai` nebo dokonce `playwright`.
*   **Rate Limiting:** I s doporučenou strategií je stále možné narazit na rate limit, pokud je sběr dat příliš intenzivní.

---

### **save_finding**

```json
{
  "url": "https://vychodo.ceskereality.cz/pronajem/",
  "status": "investigated",
  "last_successful_crawl": null,
  "issue_reported": "rescue_failed",
  "data_structure_assessment": "Highly structured static HTML, listings in div.list-item__container, price in div.list-item__price span.price, title in h2.list-item__title a, address in p.list-item__address. Pagination via standard 'a' tags with '?page=' parameter.",
  "technological_stack": "Standard LAMP/LEMP stack, jQuery, server-side rendered HTML.",
  "anti_bot_defense": {
    "level": 1,
    "description": "Very low. No visible Cloudflare, Datadome, PerimeterX, or CAPTCHA. Basic rate limiting and user-agent filtering are likely. IP rotation and moderate delays should mitigate this."
  },
  "recommended_scraping_engine": "httpx",
  "rendering_mode": "static HTML",
  "data_quality": "Structured, high.",
  "estimated_throughput_req_min": "50-150",
  "strategy": "1. Update CSS selectors for listings (div.list-item__container, h2.list-item__title a, div.list-item__price span.price, p.list-item__address) and pagination. 2. Implement pagination logic using httpx. 3. Use moderate delays (0.5-1s) and rotate User-Agents. Implement retry logic for network errors.",
  "risks": [
    "Minor HTML structural changes requiring selector updates.",
    "Potential for basic rate limiting/IP blocking if too aggressive.",
    "Future implementation of stronger anti-bot measures."
  ],
  "fix_suggestion": "Prioritize updating and validating CSS selectors. The 'rescue_failed' is most likely due to a selector mismatch or temporary network issue rather than a fundamental change in the anti-bot or rendering strategy. Re-evaluate existing selectors against current page HTML."
}
```