docs: update naver rss playwright troubleshooting

troubleshooting/250905_happybell80_naver_rss_playwright_0900_slack_delivery.md

@@ -1,72 +1,92 @@
-# 평일 09:00 Slack 뉴스 전달을 위한 네이버 RSS+Playwright 수집 설계
+# 평일 09:00 Slack 헤드라인 전달: 네이버 RSS + Playwright 구현 문서
 
 ## 작성일: 2025-09-05
-## 상태: 해결방안 확정·구현 계획 수립
+## 상태: 배포 완료(운영 검증 중)
 
-## 목표
-- 평일 09:00에 컴퍼니엑스 Slack 채널과 각자 DM으로 당일 스타트업 뉴스를 전송한다.
-- 소스는 네이버 블로그 ‘깡프로 스타트업 트렌드 연구소’의 당일 포스트다.
+## 목표/배경
+- 평일 09:00에 컴퍼니엑스 Slack 채널/DM로 당일 스타트업 헤드라인(제목+링크) 자동 전송.
+- 소스: 네이버 블로그 ‘깡프로 스타트업 트렌드 연구소’ 당일 포스트.
+- 문제: RSS description이 중간에서 잘려(약 8개) 본문 전체를 담지 못함 → 원문(PostView iframe) 파싱 필요.
 
-## 문제 요약
-- RSS: https://rss.blog.naver.com/startupventure.xml
-- RSS `description`이 약 8개 항목에서 절단되어 본문(20개+)이 누락된다.
-- 실제 본문은 블로그 페이지 내 `PostView.naver` iframe에 포함되어 정적 파싱으로는 불완전하다.
+## 아키텍처(23/24 서버 맥락)
+- 23: 메인(Nginx, Gitea, frontend, auth). 24: 로빙/스킬(rb8001, skill-*).
+- skill-news(24, 8505): 헤드라인 생성 API 제공(HTTP). 저장/전송은 상위에서 담당.
+- rb8001(24, 8001): 스케줄러(테스트 단발, 향후 09:00 등록) + Slack 전송.
 
-## 최소 구성(가장 단순)
-- 목적: 저장을 생략하고, 09:00에 “제목+링크 목록(Slack 텍스트/JSON)”만 생성해 상위가 전송.
-- 입력: ENV `NAVER_RSS_URL`(기본값), 요청 `date(YYYY-MM-DD)|today`, `format(json|slack)`.
-- 처리: RSS→당일 포스트 URL→Playwright로 `PostView.naver` iframe 렌더링→제목+원문 링크(+순서) 추출.
-- 출력: JSON `{success,count,items:[{title,url,position}]}` 또는 Slack 텍스트(`• <url|title>` 리스트).
-- 저장: 기본 비저장(가장 단순). 옵션 `STORE_MINIMAL=true` 시 Chroma에 최소 메타 저장(idempotent 보조).
+## 최종 엔드포인트(구현됨)
+- `POST /api/news/naver/fetch-headlines`
+  - 요청: `{ "format": "json|slack" }` (기본 json)
+  - 응답(json): `{ success, count, items:[{title,url}], source_post_url }`
+  - 응답(slack): `{ success, count, text, items, source_post_url }`
+  - 동작: RSS→최신 포스트 링크→PostView iframe 렌더링→본문 컨테이너에서 제목/URL 추출→Slack 텍스트 생성
 
-## 확정된 사실(코드/실측)
-- skill-news 서비스 포트: 8505 (`/health`, `/api/news/...`).
-- Endpoints: `/api/news/search`, `/latest`, `/summarize`, `/status`, `/process/all`, `/search/similar`.
-- 데이터 영속: ChromaDB `CHROMA_DB_PATH=/app/data/chroma`, 컬렉션 `news_articles`.
-- Playwright 사용 가능(Chromium headless, iframe 내 본문 접근 검증 완료).
+## 파싱 로직(단순·안정화)
+- 렌더링: Playwright(Chromium, headless)로 PostView 본문 컨테이너 텍스트/HTML 확보.
+- 추출 규칙(HTML 우선):
+  - 본문 전체의 모든 `a[href]`를 순회.
+  - URL 검증(urlparse netloc 존재, 내부 뷰어/블로그 제외: `postview.naver`, `blog.naver.com`).
+  - 제목은 해당 앵커의 가장 가까운 블록(`p/li/div/span`) 텍스트에서 앵커 텍스트·URL·선행번호 제거 후 생성.
+  - 비어 있으면 앵커 텍스트 사용(텍스트가 URL이면 제외). 80자 초과 시 말줄임.
+- 보조(텍스트 기반): HTML 추출 실패 시 텍스트 패턴에서 URL 인접 텍스트로 보조 매칭.
+- 번호: 1..N은 포맷 단계에서 부여(연속번호 제약 제거).
 
-## 해결 전략(하이브리드)
-1) RSS로 당일 포스트 URL만 획득한다.
-2) 해당 포스트의 `PostView.naver` iframe을 Playwright로 렌더링하여 리스트형 항목의 제목과 기사 원문 링크를 모두 추출한다.
-3) 추출 항목을 중복 제거·정규화 후 최소 메타데이터로 ChromaDB에 저장(재실행 안전성 확보).
-4) Slack 포맷 텍스트( `<url|title>` 리스트 )와 JSON을 모두 제공한다.
-5) 상위 로빙/슬랙봇이 채널/DM 전송을 담당(HTTP API만으로 연동).
+## Slack 포맷(멘트/가독성)
+- 헤더(오프너): 기본 “안녕하세요, 로빙입니다. 오늘 스타트업 헤드라인만 모았어요.”
+- 본문: `NN. <URL|제목>` 행으로 정렬(번호는 01부터)
+- 푸터(클로저): 기본 “가볍게 시작해 힘차게 달려봐요. 로빙이 함께합니다.”
+- 줄 간격: 기본 이중 줄바꿈(ENV로 단일 전환 가능)
+- 출처 표기: `출처: <https://rss.blog.naver.com/startupventure.xml|네이버 깡뉴스>`
 
-## API 설계(HTTP 전용)
-- `POST /api/news/naver/fetch-headlines` (최소 경로)
-  - 요청: `{ "date": "YYYY-MM-DD", "source": "startupventure", "format": "json|slack" }`
-  - 응답(JSON): `{ success, count, items: [{title, url}], message? }`
-  - 응답(Slack): `text` 필드에 불릿 리스트 문자열 포함.
-- `GET /api/news/naver/latest`
-  - 당일/최근 포스트 기준 재생성 없이 캐시된 결과 반환.
+## 환경변수(스킬)
+- 필수/기본
+  - `NAVER_RSS_URL`(기본: 깡뉴스 RSS), `NAVER_MAX_ITEMS`(표시 개수, 무제한은 크게 설정)
+  - `SCRAPE_TIMEOUT`(기본 30초)
+- 포맷팅
+  - `HEADLINES_OPENER`, `HEADLINES_CLOSER`, `HEADLINES_SOURCE_URL`
+  - `HEADLINES_DOUBLE_SPACING`(true/false)
 
-## 파싱 규칙(함수형·환경주입)
-- 입력: `rss_url`, `date`, `max_items`, `timeout`은 ENV → 요청값으로 오버라이드.
-- 출력: 순수 데이터(제목, URL) 리스트. 상태 저장은 호출자(데이터 매니저)가 수행.
-- 셀렉터 전략: 번호형 텍스트 패턴 탐지 + 앵커 태그의 절대 URL 보정.
-- 예외: 네트워크/구조 변경 시 빈 리스트와 원인 메시지 반환(부작용 없음).
+## 환경변수(로빙 rb8001)
+- `SKILL_NEWS_URL`(예: http://skill-news:8505)
+- `SLACK_BOT_TOKEN`(채널/DM 전송용)
+- 단발 테스트: `HEADLINES_TEST_CHANNEL_ID`, `HEADLINES_TEST_RUN_AT`(예: 22:10)
+- 임계치: `HEADLINES_MIN_COUNT`(전송 최소 개수)
 
-## 스케줄링/흐름(평일 09:00)
-1) 스케줄러(Gitea Actions 혹은 상위 컨트롤러)가 09:00에 `POST /api/news/naver/fetch` 호출.
-2) 응답을 받아 채널용 메시지와 DM용 메시지를 구성(상위 로직).
-3) Slack 전송 성공/실패 로그를 상위에서 저장. skill-news는 수집·정규화에 집중.
+## 스케줄링/흐름
+1) rb8001 시작 시 테스트 단발 스케줄(예: 22:10) 등록 및 실행.
+2) 운영 전환 시 평일 09:00 등록(메모리 스케줄러 또는 APScheduler). 전송은 rb8001이 수행.
+3) skill-news `/health` 확인 후 `fetch-headlines` 호출 → Slack 채널/DM 전송.
 
-## 운영 포인트
-- 재시도: 3회(지수 백오프), 실패 시 캐시 결과 반환.
-- 속도제한: 항목 간 `sleep(0.5~1.0s)`로 요청 간격 조절.
-- 중복: 제목+URL 해시로 식별, 이미 저장된 항목은 건너뜀.
-- 관찰성: `/api/news/status`에 수집/요약 카운터와 최신 시각 반영.
+## 테스트 결과(요약)
+- 배포/헬스: skill-news 8505 정상, rb8001 재기동 후 스케줄 등록 로그 확인.
+- 22:10 실전 전송: 채널로 전송 성공(초기엔 잡음/가독성 이슈 있었음).
+- 개선 과정:
+  - 초기: RSS 절단 → 본문 전체 파싱으로 잡음 포함.
+  - 정규식 기반 번호/URL 패턴 → 0건 회귀 케이스 발생.
+  - HTML 앵커 우선 + 근접 텍스트 제목 생성 → 제목 정상화, 유효 URL만 유지.
+- 현재: 제목이 URL로 표시되던 문제 해결, 표시 개수는 `NAVER_MAX_ITEMS`로 조정.
 
-## 검증 시나리오(curl)
-- 수집: `curl -X POST http://localhost:8505/api/news/naver/fetch -H 'Content-Type: application/json' -d '{"date":"2025-09-05","source":"startupventure","format":"slack"}'`
-- 상태: `curl http://localhost:8505/api/news/status`
+## 운영 가이드
+- 전송 정책: `count < 임계치`면 운영자 경고 메시지로 대체.
+- 로그: “수집 N건/필터 제외 M건/최종 K건” 요약을 INFO로 기록.
+- 헬스체크: 외부 핑은 TTL 캐시(예: 60초) 또는 `/healthz` 경량 엔드포인트 병행 권장.
+- 실패 대응: 1→2→4초 백오프 3회 재시도, 최종 실패는 운영 채널 알림.
 
-## 리스크 및 대응
-- 네이버 마크업 변경: 셀렉터 다중화, 본문 fallback(전체 body 텍스트) 적용.
-- 일시적 차단: User-Agent/Referer 설정과 백오프 재시도.
-- RSS 지연: 당일 포스트 미등재 시 전일 18시~당일 09시 범위 탐색 후 빈 결과 처리.
+## 리스크/제약
+- 네이버 마크업 변경 시 셀렉터/타이밍 재조정 필요.
+- 내부 링크 정책: `blog.naver.com`, `PostView.naver`는 제외, `naver.me`/언론 도메인은 허용.
+- Slack 제한: 메시지 길이 한도 존재(필요 시 ‘… 외 N건’ 처리 도입 고려).
 
-## 다음 단계
-- `naver/fetch` 엔드포인트 구현(함수형), 데이터 매니저에 아이템 최소 저장 로직 보강.
-- 슬랙 포맷 메시지 빌더 추가 또는 기존 `format=slack` 경로 재사용.
-- Gitea 스케줄 워크플로에 09:00 평일 트리거 추가(롤백·로그 포함).
+## 검증 시나리오
+- Slack 텍스트:
+  - `curl -X POST http://localhost:8505/api/news/naver/fetch-headlines -H 'Content-Type: application/json' -d '{"format":"slack"}'`
+- JSON:
+  - `curl -X POST http://localhost:8505/api/news/naver/fetch-headlines -H 'Content-Type: application/json' -d '{"format":"json"}' | python3 -m json.tool`
+
+## 롤백/튜닝
+- 롤백: skill-news 최근 커밋 `git revert <hash> && git push` → Actions로 자동 재배포.
+- 튜닝 포인트: `NAVER_MAX_ITEMS`, 줄간격, 오프너/클로저, URL 필터(내부 도메인 목록) 등 ENV로 조정.
+
+## 결론
+- 목표(제목+링크 헤드라인 자동 전송) 달성을 위한 최소·안정 경로를 구현 완료.
+- 파싱은 HTML 앵커 우선, 포맷은 Slack 멘트/번호/간격으로 가독성 확보.
+- 스케줄은 rb8001에서 관리하며, 기능은 HTTP API로만 결합(함수형·무하드코딩 원칙 준수).