parser_1cmycloud/parser stdlib.py

"""
Парсер документации с сайта 1C MyCloud
Собирает документацию в текстовый формат для дальнейшей обработки
"""

import sys
import io

# Исправляем кодировку для Windows консоли
if sys.platform == 'win32':
    sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8', errors='replace')
    sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8', errors='replace')

import requests
from bs4 import BeautifulSoup
import time
import json
from urllib.parse import urljoin, urlparse
from typing import Set, List, Dict
import os


class DocumentationParser:
    def __init__(self, base_url: str, username: str = None, password: str = None, use_selenium: bool = False, visible_browser: bool = False):
        """
        Инициализация парсера
        
        Args:
            base_url: Базовый URL документации
            username: Имя пользователя для авторизации (опционально)
            password: Пароль для авторизации (опционально)
            use_selenium: Использовать Selenium для работы с JavaScript (по умолчанию False)
            visible_browser: Показывать браузер во время работы (по умолчанию False)
        """
        self.base_url = base_url.rstrip('/')
        self.session = requests.Session()
        self.session.headers.update({
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
        })
        self.visited_urls: Set[str] = set()
        self.all_content: List[Dict[str, str]] = []
        self.username = username
        self.password = password
        self.debug_mode = False  # Режим отладки для сохранения HTML
        self.save_html = False  # Сохранять HTML файлы для последующего парсинга
        self.save_by_pages = False  # Сохранять каждую страницу в отдельную папку
        self.use_selenium = use_selenium
        self.visible_browser = visible_browser  # Показывать браузер
        self.driver = None
        self.html_output_dir = 'html_pages'  # Директория для сохранения HTML файлов
        self.pages_output_dir = 'pages'  # Директория для сохранения страниц по папкам
        
        if use_selenium:
            try:
                from selenium import webdriver
                from selenium.webdriver.chrome.service import Service
                from selenium.webdriver.chrome.options import Options
                from selenium.webdriver.common.by import By
                from selenium.webdriver.support.ui import WebDriverWait
                from selenium.webdriver.support import expected_conditions as EC
                from webdriver_manager.chrome import ChromeDriverManager
                
                chrome_options = Options()
                
                # Если не указан видимый режим, запускаем в headless
                if not self.visible_browser:
                    chrome_options.add_argument('--headless')  # Запуск в фоновом режиме
                    print("🔇 Браузер работает в фоновом режиме (headless)")
                else:
                    print("👁️  Браузер будет виден во время работы")
                
                chrome_options.add_argument('--no-sandbox')
                chrome_options.add_argument('--disable-dev-shm-usage')
                chrome_options.add_argument('--disable-gpu')
                chrome_options.add_argument('--window-size=1920,1080')
                chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36')
                
                # Пробуем найти Chrome в стандартных местах Windows
                chrome_paths = [
                    r'C:\Program Files\Google\Chrome\Application\chrome.exe',
                    r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe',
                    os.path.expanduser(r'~\AppData\Local\Google\Chrome\Application\chrome.exe'),
                ]
                
                chrome_binary = None
                for path in chrome_paths:
                    if os.path.exists(path):
                        chrome_binary = path
                        break
                
                if chrome_binary:
                    chrome_options.binary_location = chrome_binary
                    print(f"✅ Найден Chrome: {chrome_binary}")
                else:
                    print("⚠️  Chrome не найден в стандартных местах, пробуем использовать системный")
                
                service = Service(ChromeDriverManager().install())
                self.driver = webdriver.Chrome(service=service, options=chrome_options)
                self.driver.implicitly_wait(10)
                print("✅ Selenium инициализирован")
            except ImportError:
                print("⚠️  Selenium не установлен. Установите: pip install selenium webdriver-manager")
                self.use_selenium = False
            except Exception as e:
                print(f"⚠️  Ошибка инициализации Selenium: {e}")
                self.use_selenium = False
        
    def login(self, login_url: str = None) -> bool:
        """
        Выполняет авторизацию на сайте
        
        Args:
            login_url: URL страницы авторизации (если отличается от базового)
            
        Returns:
            True если авторизация успешна, False иначе
        """
        if not self.username or not self.password:
            print("⚠️  Учетные данные не предоставлены. Попытка доступа без авторизации...")
            return True
        
        # Если используется Selenium, выполняем авторизацию через браузер
        if self.use_selenium and self.driver:
            return self._login_selenium(login_url)
        else:
            return self._login_requests(login_url)
    
    def _login_selenium(self, login_url: str = None) -> bool:
        """Авторизация через Selenium"""
        from selenium.webdriver.common.by import By
        from selenium.webdriver.support.ui import WebDriverWait
        from selenium.webdriver.support import expected_conditions as EC
        from selenium.webdriver.common.keys import Keys
        
        try:
            print("\n🔐 Начинаю авторизацию через Selenium...")
            
            # Используем базовый URL если login_url не указан
            if not login_url:
                login_url = self.base_url
            
            print(f"   🌐 Открываю страницу: {login_url}")
            self.driver.get(login_url)
            
            # Ждем загрузки страницы
            print(f"   ⏳ Жду загрузки страницы...")
            WebDriverWait(self.driver, 15).until(
                lambda d: d.execute_script('return document.readyState') == 'complete'
            )
            time.sleep(2)  # Дополнительная задержка для загрузки JavaScript
            
            print(f"   🔍 Ищу форму авторизации...")
            
            # Пробуем разные способы найти поля ввода
            username_field = None
            password_field = None
            submit_button = None
            
            # Вариант 1: По CSS селектору, который предоставил пользователь
            form_container = None
            try:
                form_container = self.driver.find_element(By.CSS_SELECTOR, "body > div > div > div > div.groundItem > div > div > div > div._1v20yr9f > div > div:nth-child(2) > div > div > div > div > div > div:nth-child(1)")
                print(f"   ✓ Найден контейнер формы по селектору")
                # Ищем поля внутри контейнера
                if form_container:
                    try:
                        inputs_in_container = form_container.find_elements(By.TAG_NAME, "input")
                        visible_inputs = [inp for inp in inputs_in_container if inp.is_displayed() and inp.is_enabled()]
                        if len(visible_inputs) >= 2:
                            username_field = visible_inputs[0]
                            password_field = visible_inputs[1]
                            print(f"   ✓ Найдены поля ввода внутри контейнера формы")
                    except:
                        pass
            except Exception as e:
                print(f"   ⚠️  Не удалось найти контейнер по селектору: {e}")
                form_container = None
            
            # Вариант 2: Ищем поля ввода по различным атрибутам
            input_selectors = [
                (By.CSS_SELECTOR, "input[type='text']"),
                (By.CSS_SELECTOR, "input[type='email']"),
                (By.CSS_SELECTOR, "input[name*='login']"),
                (By.CSS_SELECTOR, "input[name*='user']"),
                (By.CSS_SELECTOR, "input[name*='email']"),
                (By.CSS_SELECTOR, "input[id*='login']"),
                (By.CSS_SELECTOR, "input[id*='user']"),
                (By.CSS_SELECTOR, "input[placeholder*='логин']"),
                (By.CSS_SELECTOR, "input[placeholder*='телефон']"),
            ]
            
            for by, selector in input_selectors:
                try:
                    fields = self.driver.find_elements(by, selector)
                    for field in fields:
                        if field.is_displayed() and field.is_enabled():
                            field_type = field.get_attribute('type') or ''
                            field_name = (field.get_attribute('name') or '').lower()
                            field_id = (field.get_attribute('id') or '').lower()
                            
                            if 'password' not in field_type and not username_field:
                                username_field = field
                                print(f"   ✓ Найдено поле логина: {selector}")
                                break
                except:
                    continue
                
                if username_field:
                    break
            
            # Ищем поле пароля
            password_selectors = [
                (By.CSS_SELECTOR, "input[type='password']"),
                (By.CSS_SELECTOR, "input[name*='pass']"),
                (By.CSS_SELECTOR, "input[id*='pass']"),
            ]
            
            for by, selector in password_selectors:
                try:
                    fields = self.driver.find_elements(by, selector)
                    for field in fields:
                        if field.is_displayed() and field.is_enabled():
                            password_field = field
                            print(f"   ✓ Найдено поле пароля: {selector}")
                            break
                except:
                    continue
                
                if password_field:
                    break
            
            if not username_field or not password_field:
                print(f"   ⚠️  Не удалось найти поля ввода. Пробую альтернативные методы...")
                # Пробуем найти все видимые input поля
                try:
                    all_inputs = self.driver.find_elements(By.TAG_NAME, "input")
                    visible_inputs = [inp for inp in all_inputs if inp.is_displayed() and inp.is_enabled()]
                    
                    if len(visible_inputs) >= 2:
                        # Первое поле - логин, второе - пароль
                        username_field = visible_inputs[0]
                        password_field = visible_inputs[1]
                        print(f"   ✓ Найдены поля ввода по порядку")
                except Exception as e:
                    print(f"   ❌ Ошибка при поиске полей: {e}")
                    return False
            
            if not username_field or not password_field:
                print(f"   ❌ Не удалось найти поля для авторизации")
                return False
            
            # Заполняем поля
            print(f"   ⌨️  Ввожу логин...")
            username_field.clear()
            username_field.send_keys(self.username)
            time.sleep(0.5)
            
            print(f"   ⌨️  Ввожу пароль...")
            password_field.clear()
            password_field.send_keys(self.password)
            time.sleep(0.5)
            
            # Ищем кнопку входа (специфично для этого сайта)
            submit_selectors = [
                # Специфичные селекторы для этого сайта
                (By.CSS_SELECTOR, "[data-testid='sign-in-button']"),
                (By.CSS_SELECTOR, "[data-component='button'][data-testid='sign-in-button']"),
                (By.XPATH, "//div[@data-testid='sign-in-button']"),
                (By.XPATH, "//*[contains(@class, '_z81a782')]"),
                # Общие селекторы
                (By.XPATH, "//*[contains(text(), 'Войти')]"),
                (By.XPATH, "//*[contains(text(), 'Вход')]"),
                (By.CSS_SELECTOR, "button[type='submit']"),
                (By.CSS_SELECTOR, "input[type='submit']"),
                (By.XPATH, "//button[contains(text(), 'Войти')]"),
                (By.XPATH, "//button[contains(text(), 'Вход')]"),
                (By.XPATH, "//input[@type='submit']"),
            ]
            
            for by, selector in submit_selectors:
                try:
                    buttons = self.driver.find_elements(by, selector)
                    
                    for button in buttons:
                        # Проверяем, что кнопка видима и содержит текст "Войти"
                        try:
                            button_text = button.text.strip().lower()
                            is_visible = button.is_displayed()
                            is_enabled = button.is_enabled() if hasattr(button, 'is_enabled') else True
                            
                            if is_visible and is_enabled:
                                # Проверяем текст кнопки или data-testid
                                if ('войти' in button_text or 
                                    button.get_attribute('data-testid') == 'sign-in-button' or
                                    'sign-in' in str(button.get_attribute('data-testid')).lower()):
                                    submit_button = button
                                    print(f"   ✓ Найдена кнопка входа: {selector} (текст: '{button.text}')")
                                    break
                        except:
                            continue
                except Exception as e:
                    continue
                
                if submit_button:
                    break
            
            # Если кнопка не найдена, пробуем нажать Enter на поле пароля
            if not submit_button:
                print(f"   ⚠️  Кнопка входа не найдена, пробую нажать Enter...")
                password_field.send_keys(Keys.RETURN)
                time.sleep(3)
            else:
                print(f"   🖱️  Нажимаю кнопку входа...")
                try:
                    # Пробуем кликнуть через JavaScript если обычный клик не работает
                    self.driver.execute_script("arguments[0].click();", submit_button)
                    print(f"   ✓ Кнопка нажата через JavaScript")
                except:
                    try:
                        submit_button.click()
                        print(f"   ✓ Кнопка нажата обычным кликом")
                    except Exception as e:
                        print(f"   ⚠️  Ошибка при клике: {e}, пробую Enter...")
                        password_field.send_keys(Keys.RETURN)
                time.sleep(3)
            
            # Проверяем, успешна ли авторизация
            print(f"   ⏳ Жду завершения авторизации (5 сек)...")
            time.sleep(5)  # Даем время на обработку авторизации
            
            print(f"   🔍 Проверяю результат авторизации...")
            current_url = self.driver.current_url
            print(f"   📍 Текущий URL: {current_url}")
            
            page_title = self.driver.title
            print(f"   📄 Заголовок страницы: {page_title}")
            
            # Проверяем наличие формы входа
            try:
                login_forms = self.driver.find_elements(By.CSS_SELECTOR, "input[type='password']")
                visible_login_forms = [f for f in login_forms if f.is_displayed()]
                print(f"   🔐 Найдено полей пароля: {len(login_forms)}, видимых: {len(visible_login_forms)}")
            except Exception as e:
                print(f"   ⚠️  Ошибка при проверке формы: {e}")
                visible_login_forms = []
            
            # Если URL изменился или на странице нет формы входа, считаем авторизацию успешной
            if 'login' not in current_url.lower() and 'auth' not in current_url.lower():
                print(f"   ✅ Авторизация успешна! URL изменился")
                return True
            
            if not visible_login_forms:
                print(f"   ✅ Авторизация успешна! Форма входа исчезла")
                return True
            
            # Проверяем наличие меню документации (признак успешной авторизации)
            try:
                menu = self.driver.find_elements(By.CSS_SELECTOR, ".theme-doc-sidebar-menu, .menu__list")
                if menu:
                    print(f"   ✅ Найдено меню документации - авторизация успешна!")
                    return True
            except:
                pass
            
            print(f"   ⚠️  Не удалось подтвердить успешность авторизации, но продолжаем...")
            print(f"   📋 Переходим к парсингу страницы...")
            return True
            
        except Exception as e:
            print(f"   ❌ Ошибка при авторизации через Selenium: {e}")
            import traceback
            traceback.print_exc()
            return False
    
    def _login_requests(self, login_url: str = None) -> bool:
        """Авторизация через requests (для не-JavaScript сайтов)"""
        # Попытка найти страницу входа
        if not login_url:
            # Пробуем стандартные пути для входа
            possible_paths = [
                '/login',
                '/auth/login',
                '/console/login',
                '/account/login'
            ]
            
            for path in possible_paths:
                try:
                    test_url = urljoin(self.base_url, path)
                    response = self.session.get(test_url, timeout=10)
                    if response.status_code == 200:
                        login_url = test_url
                        break
                except:
                    continue
        
        if not login_url:
            print("⚠️  Не удалось найти страницу входа. Продолжаем без авторизации...")
            return True
        
        try:
            # Получаем страницу входа
            response = self.session.get(login_url, timeout=10)
            response.raise_for_status()
            
            soup = BeautifulSoup(response.text, 'html.parser')
            
            # Ищем форму входа
            form = soup.find('form')
            if not form:
                print("⚠️  Форма входа не найдена. Продолжаем без авторизации...")
                return True
            
            # Собираем данные формы
            form_data = {}
            for input_tag in form.find_all(['input', 'select']):
                name = input_tag.get('name')
                if name:
                    value = input_tag.get('value', '')
                    if input_tag.get('type') != 'password':
                        form_data[name] = value
            
            # Добавляем учетные данные
            # Ищем поля для логина и пароля
            username_field = None
            password_field = None
            
            for input_tag in form.find_all('input'):
                input_type = input_tag.get('type', '').lower()
                input_name = input_tag.get('name', '').lower()
                input_id = input_tag.get('id', '').lower()
                
                if input_type == 'email' or 'email' in input_name or 'email' in input_id or 'login' in input_name or 'username' in input_name:
                    username_field = input_tag.get('name') or input_tag.get('id')
                elif input_type == 'password':
                    password_field = input_tag.get('name') or input_tag.get('id')
            
            if username_field:
                form_data[username_field] = self.username
            if password_field:
                form_data[password_field] = self.password
            
            # Находим URL для отправки формы
            form_action = form.get('action', '')
            if form_action:
                submit_url = urljoin(login_url, form_action)
            else:
                submit_url = login_url
            
            # Отправляем форму
            response = self.session.post(submit_url, data=form_data, timeout=10, allow_redirects=True)
            
            # Проверяем успешность авторизации
            if response.status_code == 200 or response.status_code == 302:
                print("✅ Авторизация выполнена успешно")
                return True
            else:
                print(f"⚠️  Авторизация может быть неуспешной. Код ответа: {response.status_code}")
                return True  # Продолжаем в любом случае
                
        except Exception as e:
            print(f"⚠️  Ошибка при авторизации: {e}")
            print("Продолжаем без авторизации...")
            return True
    
    def extract_markdown_content(self, soup: BeautifulSoup) -> str:
        """
        Извлекает контент из блока markdown и конвертирует в Markdown формат
        
        Args:
            soup: BeautifulSoup объект страницы
            
        Returns:
            Markdown текст
        """
        # Ищем блок markdown
        markdown_block = None
        
        # Пробуем найти блок markdown по классам
        markdown_selectors = [
            {'class': 'markdown'},
            {'class': 'col col--12 markdown'},
            {'class': 'col', 'class': 'markdown'},  # Если классы разделены
        ]
        
        for selector in markdown_selectors:
            markdown_block = soup.find('div', selector)
            if markdown_block:
                break
        
        # Если не нашли по классам, пробуем найти div с классом markdown
        if not markdown_block:
            markdown_block = soup.select_one('div.markdown, div.col.markdown, .col.col--12.markdown')
        
        if not markdown_block:
            return ""
        
        # Конвертируем HTML в Markdown
        markdown_lines = []
        
        def convert_element_to_markdown(elem):
            """Рекурсивно конвертирует HTML элемент в Markdown"""
            if not hasattr(elem, 'name') or not elem.name:
                # Текстовый узел
                text = str(elem).strip()
                # Фильтруем CSS/JS код
                if any(pattern in text for pattern in [
                    '#mermaid-svg', 'font-family:', 'stroke-width:', 'fill:#',
                    'stroke:#', '@keyframes', 'animation:', '.edge-', '.marker',
                    '.label', '.cluster', '.node', '.flowchart', 'background-color:',
                    'text-anchor:', 'opacity:', 'border-radius:', 'z-index:',
                    'font-size:', 'display:inline-block', 'vertical-align:',
                    'overflow:visible', '--mermaid-', 'stroke-linecap:',
                    'stroke-dasharray:', 'stroke-dashoffset:'
                ]):
                    return ""
                return text if text else ""
            
            tag_name = elem.name.lower()
            
            # Игнорируем служебные теги
            if tag_name in ['script', 'style', 'svg', 'noscript']:
                return ""
            
            # Заголовки (обрабатываем до проверки классов, т.к. заголовки могут иметь класс 'anchor')
            if tag_name in ['h1', 'h2', 'h3', 'h4', 'h5', 'h6']:
                # Извлекаем текст заголовка, игнорируя внутренние элементы
                header_text = ""
                for child in elem.children:
                    if hasattr(child, 'name'):
                        if child.name in ['a', 'div', 'span']:
                            child_classes = child.get('class', [])
                            if isinstance(child_classes, str):
                                child_classes = [child_classes]
                            if any(cls in ['hash-link', 'anchor', 'contextualHeader__intersectionMarker'] for cls in child_classes):
                                continue
                        header_text += convert_element_to_markdown(child)
                    else:
                        header_text += str(child).strip() + " "
                level = int(tag_name[1])
                return f"{'#' * level} {header_text.strip()}\n"
            
            # Игнорируем служебные элементы (но не заголовки!)
            elem_classes = elem.get('class', [])
            if isinstance(elem_classes, str):
                elem_classes = [elem_classes]
            if any(cls in ['hash-link', 'contextualHeader__intersectionMarker'] for cls in elem_classes):
                return ""
            
            # Header (обертка для заголовка)
            if tag_name == 'header':
                header_md = ""
                for child in elem.children:
                    header_md += convert_element_to_markdown(child)
                return header_md
            
            # Параграфы
            elif tag_name == 'p':
                para_md = ""
                for child in elem.children:
                    para_md += convert_element_to_markdown(child)
                return para_md.strip() + "\n\n"
            
            # Ссылки
            elif tag_name == 'a':
                href = elem.get('href', '')
                link_text = ""
                for child in elem.children:
                    link_text += convert_element_to_markdown(child)
                link_text = link_text.strip()
                if href and link_text:
                    return f"[{link_text}]({href})"
                return link_text
            
            # Жирный текст
            elif tag_name in ['strong', 'b']:
                text = ""
                for child in elem.children:
                    text += convert_element_to_markdown(child)
                return f"**{text.strip()}**"
            
            # Курсив
            elif tag_name in ['em', 'i']:
                text = ""
                for child in elem.children:
                    text += convert_element_to_markdown(child)
                return f"*{text.strip()}*"
            
            # Код (inline)
            elif tag_name == 'code':
                code_text = elem.get_text()
                return f"`{code_text}`"
            
            # Блоки кода
            elif tag_name == 'pre':
                code_text = elem.get_text()
                return f"```\n{code_text}\n```\n\n"
            
            # Списки
            elif tag_name == 'ul':
                list_items = []
                for li in elem.find_all('li', recursive=False):
                    item_text = ""
                    for child in li.children:
                        item_text += convert_element_to_markdown(child)
                    if item_text.strip():
                        list_items.append(f"- {item_text.strip()}")
                return '\n'.join(list_items) + "\n\n"
            
            elif tag_name == 'ol':
                list_items = []
                for idx, li in enumerate(elem.find_all('li', recursive=False), 1):
                    item_text = ""
                    for child in li.children:
                        item_text += convert_element_to_markdown(child)
                    if item_text.strip():
                        list_items.append(f"{idx}. {item_text.strip()}")
                return '\n'.join(list_items) + "\n\n"
            
            # Элемент списка
            elif tag_name == 'li':
                item_text = ""
                for child in elem.children:
                    item_text += convert_element_to_markdown(child)
                return item_text.strip()
            
            # Блоки цитат
            elif tag_name == 'blockquote':
                quote_text = ""
                for child in elem.children:
                    quote_text += convert_element_to_markdown(child)
                lines = quote_text.strip().split('\n')
                quoted_lines = [f"> {line}" for line in lines if line.strip()]
                return '\n'.join(quoted_lines) + "\n\n"
            
            # Горизонтальная линия
            elif tag_name == 'hr':
                return "---\n\n"
            
            # Для остальных элементов просто извлекаем текст рекурсивно
            else:
                text = ""
                for child in elem.children:
                    text += convert_element_to_markdown(child)
                return text
        
        # Обрабатываем все дочерние элементы блока markdown
        for child in markdown_block.children:
            md = convert_element_to_markdown(child)
            if md.strip():
                markdown_lines.append(md)
        
        result = '\n'.join(markdown_lines)
        
        # Очищаем лишние пустые строки (максимум 2 подряд)
        import re
        result = re.sub(r'\n{3,}', '\n\n', result)
        
        return result.strip()
    
    def extract_text_content(self, soup: BeautifulSoup) -> str:
        """
        Извлекает текстовое содержимое из HTML
        
        Args:
            soup: BeautifulSoup объект страницы
            
        Returns:
            Извлеченный текст
        """
        # Сохраняем копию для fallback
        original_soup = soup
        
        # Удаляем ненужные элементы (но сохраняем их для fallback)
        for element in soup.find_all(['script', 'style']):
            element.decompose()
        
        # Пробуем найти основной контент разными способами
        main_content = None
        best_result = ""
        
        # Вариант 1: Стандартные HTML5 теги
        main_content = (soup.find('main') or 
                       soup.find('article') or 
                       soup.find('section'))
        
        if main_content:
            text = main_content.get_text(separator='\n', strip=True)
            lines = [line.strip() for line in text.split('\n') if line.strip() and len(line.strip()) > 2]
            result = '\n'.join(lines)
            if len(result) > len(best_result):
                best_result = result
        
        # Вариант 2: Поиск по классам и ID (включая специфичный для этого сайта)
        content_selectors = [
            {'class': 'markdown'},  # Специфичный селектор для этого сайта
            {'class': 'col col--12 markdown'},  # Полный селектор
            {'class': 'content'},
            {'class': 'documentation'},
            {'class': 'doc-content'},
            {'class': 'main-content'},
            {'class': 'page-content'},
            {'class': 'help-content'},
            {'class': 'docs-content'},
            {'id': 'content'},
            {'id': 'main-content'},
            {'id': 'documentation'},
            {'id': 'doc-content'},
            {'id': 'help-content'},
        ]
        
        for selector in content_selectors:
            main_content = soup.find('div', selector)
            if main_content:
                # Удаляем style и script теги перед извлечением текста
                for tag in main_content.find_all(['style', 'script']):
                    tag.decompose()
                
                text = main_content.get_text(separator='\n', strip=True)
                lines = [line.strip() for line in text.split('\n') if line.strip() and len(line.strip()) > 2]
                result = '\n'.join(lines)
                if len(result) > len(best_result):
                    best_result = result
                    break
        
        # Вариант 3: Поиск по атрибутам data-* и role
        for attr_selector in [
            {'data-content': True},
            {'role': 'main'},
            {'role': 'article'},
        ]:
            main_content = soup.find('div', attr_selector)
            if main_content:
                # Удаляем style и script теги
                for tag in main_content.find_all(['style', 'script']):
                    tag.decompose()
                
                text = main_content.get_text(separator='\n', strip=True)
                lines = [line.strip() for line in text.split('\n') if line.strip() and len(line.strip()) > 2]
                result = '\n'.join(lines)
                if len(result) > len(best_result):
                    best_result = result
                    break
        
        # Вариант 4: Поиск самого большого div с текстом (но не навигации)
        divs = soup.find_all('div')
        if divs:
            max_text_length = 0
            best_div = None
            for div in divs:
                # Пропускаем навигацию и меню
                div_classes = div.get('class', [])
                div_id = div.get('id', '')
                if any(skip in str(div_classes).lower() + str(div_id).lower() 
                       for skip in ['nav', 'menu', 'sidebar', 'header', 'footer', 'aside']):
                    continue
                
                text_length = len(div.get_text(strip=True))
                if text_length > max_text_length and text_length > 100:
                    max_text_length = text_length
                    best_div = div
            
            if best_div:
                # Удаляем style и script теги
                for tag in best_div.find_all(['style', 'script']):
                    tag.decompose()
                
                text = best_div.get_text(separator='\n', strip=True)
                lines = [line.strip() for line in text.split('\n') if line.strip() and len(line.strip()) > 2]
                result = '\n'.join(lines)
                if len(result) > len(best_result):
                    best_result = result
        
        # Вариант 5: Извлекаем все параграфы и заголовки
        paragraphs = []
        for tag in ['h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'p', 'li', 'td', 'th']:
            for elem in soup.find_all(tag):
                text = elem.get_text(strip=True)
                if text and len(text) > 3:
                    paragraphs.append(text)
        
        if paragraphs:
            para_result = '\n'.join(paragraphs)
            if len(para_result) > len(best_result):
                best_result = para_result
        
        # Fallback: Извлекаем из всего body (удаляем навигацию вручную)
        if len(best_result) < 200:
            body = original_soup.find('body')
            if body:
                # Удаляем навигационные элементы
                for nav_elem in body.find_all(['nav', 'header', 'footer', 'aside', 'script', 'style']):
                    nav_elem.decompose()
                
                text = body.get_text(separator='\n', strip=True)
                lines = [line.strip() for line in text.split('\n') 
                        if line.strip() and len(line.strip()) > 2]
                body_result = '\n'.join(lines)
                
                if len(body_result) > len(best_result):
                    best_result = body_result
        
        # Финальная очистка: удаляем повторяющиеся строки и короткие фрагменты
        if best_result:
            final_lines = []
            seen = set()
            for line in best_result.split('\n'):
                line = line.strip()
                if line and len(line) > 3 and line not in seen:
                    seen.add(line)
                    final_lines.append(line)
            best_result = '\n'.join(final_lines)
        
        return best_result if best_result else ""
    
    def build_menu_structure(self, soup: BeautifulSoup, current_url: str) -> List[Dict]:
        """
        Строит структуру меню с иерархией (родитель-дети)
        
        Args:
            soup: BeautifulSoup объект страницы
            current_url: Текущий URL страницы
            
        Returns:
            Список словарей с информацией о страницах и их вложенности
        """
        menu_structure = []
        base_domain = urlparse(self.base_url).netloc
        
        def extract_menu_items(menu_elem, parent_url=None, level=0):
            """Рекурсивно извлекает элементы меню с сохранением иерархии"""
            items = []
            
            # Ищем все элементы меню (li)
            menu_items = menu_elem.find_all('li', recursive=False)
            
            for item in menu_items:
                # Ищем все ссылки в элементе
                link_tags = item.find_all('a', href=True)
                
                # Проверяем, есть ли вложенные элементы (дочерние страницы)
                nested_list = item.find('ul', class_='menu__list')
                children = []
                if nested_list:
                    children = extract_menu_items(nested_list, None, level + 1)
                
                # Ищем ссылку на страницу (не якорь)
                page_link = None
                page_url = None
                page_title = None
                
                for link_tag in link_tags:
                    href = link_tag.get('href', '')
                    if href and not href.startswith('#') and href != '#':
                        full_url = urljoin(current_url, href)
                        parsed = urlparse(full_url)
                        
                        # Проверяем, что это ссылка на документацию
                        if (parsed.netloc == base_domain or not parsed.netloc):
                            if '/docs/' in full_url or '/help/' in full_url:
                                page_link = link_tag
                                page_url = full_url
                                page_title = link_tag.get_text(strip=True)
                                break
                
                # Если нашли ссылку на страницу
                if page_url:
                    # Если есть дочерние элементы, используем текущий URL как родителя для них
                    if children:
                        for child in children:
                            if child.get('parent') is None:
                                child['parent'] = page_url
                    
                    menu_item = {
                        'url': page_url,
                        'title': page_title,
                        'level': level,
                        'parent': parent_url,
                        'children': children
                    }
                    
                    items.append(menu_item)
                elif children:
                    # Нет ссылки на страницу, но есть дочерние элементы - добавляем их напрямую
                    # Но устанавливаем родителя для них
                    for child in children:
                        if child.get('parent') is None:
                            child['parent'] = parent_url
                    items.extend(children)
            
            return items
        
        # Ищем меню
        menu_selectors = [
            'ul.theme-doc-sidebar-menu',
            'ul.menu__list',
        ]
        
        for selector in menu_selectors:
            try:
                menu = soup.select_one(selector)
                if menu:
                    print(f"   🔍 Строю структуру меню: {selector}")
                    menu_structure = extract_menu_items(menu)
                    if menu_structure:
                        print(f"   ✓ Найдено {len(menu_structure)} элементов меню")
                        break
            except Exception as e:
                print(f"   ⚠️  Ошибка при построении структуры меню: {e}")
                continue
        
        return menu_structure
    
    def find_documentation_links(self, soup: BeautifulSoup, current_url: str) -> List[str]:
        """
        Находит все ссылки на документацию на странице
        
        Args:
            soup: BeautifulSoup объект страницы
            current_url: Текущий URL страницы
            
        Returns:
            Список URL ссылок на документацию
        """
        links = []
        base_domain = urlparse(self.base_url).netloc
        seen_links = set()
        
        # Вариант 1: Ищем ссылки в меню (специфично для этого сайта)
        # Рекурсивно обходим все уровни меню
        menu_selectors = [
            'ul.theme-doc-sidebar-menu',
            'ul.menu__list',
            '.navbar-sidebar__item.menu',
            '.menu',
        ]
        
        def extract_links_from_menu_element(menu_elem, level=0):
            """Рекурсивно извлекает ссылки из элементов меню всех уровней"""
            found_links = []
            
            # Ищем ссылки меню с классом menu__link
            # Возвращаем как обычные ссылки, так и ссылки-категории (--sublist)
            for a_tag in menu_elem.find_all('a', href=True):
                # Проверяем, что это элемент меню с правильным классом
                classes = a_tag.get('class', [])
                if 'menu__link' not in classes:
                    continue
                
                href = a_tag.get('href', '')
                # Пропускаем пустые ссылки
                if not href:
                    continue
                
                # Для ссылок-категорий (--sublist) пропускаем якоря (#)
                # Но если это ссылка на реальную страницу категории - берем её
                is_category = 'menu__link--sublist' in classes
                if is_category and (href.startswith('#') or href == '#'):
                    # Это просто раскрывалка без реальной страницы
                    continue
                
                # Остальные ссылки (включая ссылки-категории с реальным href) добавляем
                if not href.startswith('#'):
                    full_url = urljoin(current_url, href)
                    parsed = urlparse(full_url)
                    
                    # Проверяем, что это ссылка на документацию
                    if (parsed.netloc == base_domain or not parsed.netloc) and full_url not in seen_links:
                        if '/docs/' in full_url or '/help/' in full_url:
                            found_links.append(full_url)
                            seen_links.add(full_url)
            
            # Рекурсивно обрабатываем вложенные списки меню всех уровней
            # Ищем все ul.menu__list внутри текущего элемента (включая глубоко вложенные)
            nested_lists = menu_elem.find_all('ul', class_='menu__list', recursive=True)
            for nested_list in nested_lists:
                # Проверяем, что это действительно вложенный список (не сам menu_elem)
                if nested_list != menu_elem:
                    # Извлекаем ссылки из вложенного списка рекурсивно
                    nested_links = extract_links_from_menu_element(nested_list, level + 1)
                    found_links.extend(nested_links)
            
            return found_links
        
        for selector in menu_selectors:
            try:
                menu = soup.select_one(selector)
                if menu:
                    print(f"   🔍 Найдено меню: {selector}")
                    # Рекурсивно извлекаем все ссылки из меню
                    menu_links = extract_links_from_menu_element(menu)
                    links.extend(menu_links)
                    
                    if menu_links:
                        print(f"   ✓ Найдено {len(menu_links)} ссылок в меню (все уровни)")
                        # Не прерываемся, продолжаем искать в других селекторах для полноты
            except Exception as e:
                print(f"   ⚠️  Ошибка при поиске в меню {selector}: {e}")
                continue
        
        # Не ищем ссылки в контенте страницы - только в меню!
        # Иначе будут найдены все ссылки из текста статей, которые не являются частью структуры навигации
        
        return links
    
    def parse_page(self, url: str) -> Dict[str, str]:
        """
        Парсит одну страницу документации
        
        Args:
            url: URL страницы для парсинга
            
        Returns:
            Словарь с URL и содержимым страницы
        """
        if url in self.visited_urls:
            return None
        
        try:
            print(f"📄 Парсинг: {url}")
            
            # Используем Selenium если включен
            if self.use_selenium and self.driver:
                return self._parse_page_selenium(url)
            else:
                return self._parse_page_requests(url)
                
        except Exception as e:
            print(f"❌ Ошибка при парсинге {url}: {e}")
            import traceback
            traceback.print_exc()
            return None
    
    def _parse_page_selenium(self, url: str) -> Dict[str, str]:
        """Парсинг страницы через Selenium"""
        from selenium.webdriver.common.by import By
        from selenium.webdriver.support.ui import WebDriverWait
        from selenium.webdriver.support import expected_conditions as EC
        
        try:
            print(f"   🌐 Открываю страницу в браузере...")
            self.driver.get(url)
            print(f"   ✓ Страница открыта")
            
            # Ждем загрузки контента (ждем появления основного контента)
            print(f"   ⏳ Ожидаю загрузки страницы...")
            try:
                WebDriverWait(self.driver, 20).until(
                    lambda d: d.execute_script('return document.readyState') == 'complete'
                )
                print(f"   ✓ Страница загружена (readyState = complete)")
                
                # Дополнительная задержка для загрузки JavaScript контента
                print(f"   ⏳ Жду выполнения JavaScript (2 сек)...")
                time.sleep(2)
                
                # Проверяем наличие контента
                try:
                    content_div = self.driver.find_elements(By.CSS_SELECTOR, ".col.col--12.markdown, div.markdown")
                    if content_div:
                        print(f"   ✓ Контент найден на странице")
                    else:
                        print(f"   ⚠️  Контент не найден, но продолжаем...")
                except:
                    pass
                
                print(f"   ✓ JavaScript выполнен")
            except Exception as e:
                print(f"   ⚠️  Таймаут ожидания загрузки: {e}")
                print(f"   ⏳ Продолжаю с текущим состоянием страницы...")
                time.sleep(2)  # Минимальная задержка даже при ошибке
            
            # Получаем HTML после выполнения JavaScript
            print(f"   📄 Получаю HTML код страницы...")
            html = self.driver.page_source
            print(f"   ✓ HTML получен, размер: {len(html)} символов")
            
            # Сохраняем HTML для отладки или для последующего парсинга
            if self.debug_mode or self.save_html:
                import os
                if self.save_html:
                    # Создаем директорию если её нет
                    if not os.path.exists(self.html_output_dir):
                        os.makedirs(self.html_output_dir)
                    
                    # Создаем имя файла на основе URL
                    url_path = urlparse(url).path.strip('/')
                    if not url_path:
                        url_path = 'index'
                    safe_filename = url_path.replace('/', '_').replace(':', '_')[:200]
                    html_file = os.path.join(self.html_output_dir, f"{safe_filename}.html")
                else:
                    html_file = f"debug_{urlparse(url).path.replace('/', '_').strip('_') or 'index'}.html"
                
                with open(html_file, 'w', encoding='utf-8') as f:
                    f.write(html)
                print(f"   💾 HTML сохранен в {html_file}")
            
            print(f"   📝 Парсю HTML через BeautifulSoup...")
            soup = BeautifulSoup(html, 'html.parser')
            print(f"   ✓ HTML распарсен")
            
            print(f"   📝 Извлекаю текст из HTML...")
            # Пробуем извлечь Markdown из блока markdown
            markdown_content = self.extract_markdown_content(soup)
            if markdown_content and len(markdown_content) > 100:
                content = markdown_content
                print(f"   📊 Извлечено в формате Markdown: {len(content)} символов")
            else:
                content = self.extract_text_content(soup)
                print(f"   📊 Извлечено через BeautifulSoup: {len(content)} символов")
            
            if len(content) > 0:
                preview = content[:200].replace('\n', ' ')
                print(f"   👀 Превью контента: {preview}...")
            
            # Если контент короткий, пробуем дополнительные методы
            if not content or len(content.strip()) < 100:
                print(f"   ⚠️  Контент короткий ({len(content) if content else 0} символов), пробуем Selenium селекторы...")
                
                # Пробуем найти элементы через Selenium
                try:
                    # Ищем основные элементы контента (включая специфичный для этого сайта)
                    content_elements = []
                    for selector in [
                        '.col.col--12.markdown',  # Специфичный селектор для этого сайта
                        'div.markdown',
                        'main', 
                        'article', 
                        '[role="main"]', 
                        '.content', 
                        '#content', 
                        '.documentation'
                    ]:
                        try:
                            elements = self.driver.find_elements(By.CSS_SELECTOR, selector)
                            for elem in elements:
                                text = elem.text.strip()
                                if text and len(text) > 10:
                                    content_elements.append(text)
                        except:
                            continue
                    
                    if content_elements:
                        fallback_content = '\n'.join(content_elements)
                        if len(fallback_content) > len(content):
                            content = fallback_content
                            print(f"   ✓ Извлечено через Selenium: {len(content)} символов")
                except Exception as e:
                    print(f"   ⚠️  Ошибка при извлечении через Selenium: {e}")
            
            # Проверяем, что контент не пустой
            if not content or len(content.strip()) < 20:
                title = self.driver.title if self.driver.title else ""
                if not title:
                    title = soup.title.string if soup.title else url
                
                h1 = soup.find('h1')
                h1_text = h1.get_text(strip=True) if h1 else ""
                h2_tags = soup.find_all('h2')
                h2_texts = [h2.get_text(strip=True) for h2 in h2_tags if h2.get_text(strip=True)]
                
                fallback_parts = [title, h1_text] + h2_texts
                fallback_content = '\n'.join([part for part in fallback_parts if part])
                
                if fallback_content:
                    content = fallback_content
                    print(f"   ✓ Извлечены только заголовки: {len(content)} символов")
                else:
                    print(f"❌ Не удалось извлечь контент со страницы")
                    content = f"URL: {url}\nЗаголовок страницы не найден"
            
            self.visited_urls.add(url)
            
            title = self.driver.title if self.driver.title else (soup.title.string if soup.title else url)
            print(f"   ✓ Извлечено: {len(content)} символов, заголовок: {title[:50]}")
            
            result = {
                'url': url,
                'content': content,
                'title': title
            }
            
            # Сохраняем HTML для режима save_by_pages
            if self.save_by_pages:
                result['html'] = html
            
            return result
            
        except Exception as e:
            print(f"❌ Ошибка при парсинге через Selenium {url}: {e}")
            return None
    
    def _parse_page_requests(self, url: str) -> Dict[str, str]:
        """Парсинг страницы через requests"""
        response = self.session.get(url, timeout=10)
        response.raise_for_status()
        
        # Проверяем, что получили HTML
        if not response.text or len(response.text) < 100:
            print(f"⚠️  Страница слишком короткая или пустая: {len(response.text) if response.text else 0} символов")
            if self.debug_mode:
                debug_file = f"debug_{urlparse(url).path.replace('/', '_')}.html"
                with open(debug_file, 'w', encoding='utf-8') as f:
                    f.write(response.text)
                print(f"   💾 HTML сохранен в {debug_file}")
            return None
        
        # Сохраняем HTML для отладки или для последующего парсинга
        if self.debug_mode or self.save_html:
            import os
            if self.save_html:
                # Создаем директорию если её нет
                if not os.path.exists(self.html_output_dir):
                    os.makedirs(self.html_output_dir)
                
                # Создаем имя файла на основе URL
                url_path = urlparse(url).path.strip('/')
                if not url_path:
                    url_path = 'index'
                safe_filename = url_path.replace('/', '_').replace(':', '_')[:200]
                html_file = os.path.join(self.html_output_dir, f"{safe_filename}.html")
            else:
                html_file = f"debug_{urlparse(url).path.replace('/', '_').strip('_') or 'index'}.html"
            
            with open(html_file, 'w', encoding='utf-8') as f:
                f.write(response.text)
            print(f"   💾 HTML сохранен в {html_file}")
        
        print(f"   🌐 Отправляю HTTP запрос...")
        print(f"   ✓ Получен ответ: {response.status_code}")
        print(f"   📏 Размер HTML: {len(response.text)} символов")
        print(f"   📝 Парсю HTML через BeautifulSoup...")
        
        soup = BeautifulSoup(response.text, 'html.parser')
        print(f"   📝 Извлекаю текст из HTML...")
        content = self.extract_text_content(soup)
        print(f"   📊 Извлечено: {len(content)} символов")
        
        # Если контент короткий, пробуем дополнительные методы
        if not content or len(content.strip()) < 100:
            print(f"   ⚠️  Контент короткий ({len(content) if content else 0} символов), пробуем дополнительные методы...")
            
            # Пробуем извлечь все текстовые элементы
            all_text_elements = []
            for tag in ['h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'p', 'div', 'span', 'li', 'td', 'th', 'dd', 'dt']:
                for elem in soup.find_all(tag):
                    text = elem.get_text(strip=True)
                    if text and len(text) > 5:
                        all_text_elements.append(text)
            
            if all_text_elements:
                # Убираем дубликаты, сохраняя порядок
                seen = set()
                unique_elements = []
                for elem in all_text_elements:
                    if elem not in seen:
                        seen.add(elem)
                        unique_elements.append(elem)
                
                fallback_content = '\n'.join(unique_elements)
                if len(fallback_content) > len(content):
                    content = fallback_content
                    print(f"   ✓ Извлечено через fallback: {len(content)} символов")
        
        # Если все еще короткий, хотя бы сохраняем заголовки
        if not content or len(content.strip()) < 20:
            title = soup.title.string if soup.title else ""
            h1 = soup.find('h1')
            h1_text = h1.get_text(strip=True) if h1 else ""
            h2_tags = soup.find_all('h2')
            h2_texts = [h2.get_text(strip=True) for h2 in h2_tags if h2.get_text(strip=True)]
            
            fallback_parts = [title, h1_text] + h2_texts
            fallback_content = '\n'.join([part for part in fallback_parts if part])
            
            if fallback_content:
                content = fallback_content
                print(f"   ✓ Извлечены только заголовки: {len(content)} символов")
            else:
                print(f"❌ Не удалось извлечь контент со страницы")
                # Сохраняем хотя бы URL и заголовок страницы
                content = f"URL: {url}\nЗаголовок страницы не найден"
        
        self.visited_urls.add(url)
        
        title = soup.title.string if soup.title else url
        print(f"   ✓ Извлечено: {len(content)} символов, заголовок: {title[:50]}")
        
        result = {
            'url': url,
            'content': content,
            'title': title
        }
        
        # Сохраняем HTML для режима save_by_pages
        if self.save_by_pages:
            try:
                response = self.session.get(url, timeout=10)
                result['html'] = response.text
            except:
                result['html'] = ""
        
        return result
    
    def crawl(self, start_url: str = None, max_pages: int = 10000):
        """
        Обходит все страницы документации
        
        Args:
            start_url: Начальный URL для обхода (по умолчанию base_url)
            max_pages: Максимальное количество страниц для парсинга
        """
        if not start_url:
            start_url = self.base_url
        
        # Выполняем авторизацию
        print(f"\n{'='*80}")
        print(f"🔐 ШАГ 1: Авторизация")
        print(f"{'='*80}")
        login_result = self.login()
        
        if login_result:
            print(f"✅ Авторизация завершена успешно")
        else:
            print(f"⚠️  Авторизация не выполнена, продолжаем без неё...")
        
        print(f"\n{'='*80}")
        print(f"📚 ШАГ 2: Начало парсинга")
        print(f"{'='*80}\n")
        
        # Загружаем уже обработанные URL из существующих папок
        if self.save_by_pages and os.path.exists(self.pages_output_dir):
            print(f"🔍 Проверяю уже обработанные страницы...")
            self._load_visited_urls_from_folders()
            print(f"   ✓ Найдено обработанных страниц: {len(self.visited_urls)}\n")
        
        # Очередь URL для обхода
        urls_to_visit = [start_url]
        
        print(f"🚀 Начинаю обход страниц...")
        print(f"📋 В очереди: {len(urls_to_visit)} страниц(ы)")
        print(f"📊 Лимит: {max_pages} страниц\n")
        
        page_num = 0
        while urls_to_visit and len(self.visited_urls) < max_pages:
            current_url = urls_to_visit.pop(0)
            page_num += 1
            
            if current_url in self.visited_urls:
                print(f"⏭️  Страница {page_num}: {current_url} (уже обработана, пропускаю)")
                continue
            
            print(f"\n{'='*80}")
            print(f"📄 Страница {page_num}/{max_pages}: {current_url}")
            print(f"{'='*80}")
            
            page_data = self.parse_page(current_url)
            
            if page_data:
                self.all_content.append(page_data)
                print(f"   ✅ Страница успешно обработана!")
                print(f"   📝 Контент: {len(page_data['content'])} символов")
                print(f"   📋 Всего обработано: {len(self.all_content)} страниц")
                
                # Сохраняем страницу в отдельную папку если включен режим
                if self.save_by_pages:
                    self._save_page_to_folder(page_data, page_num)
                
                # Находим новые ссылки на текущей странице
                # Это позволяет обходить иерархию: категория → её дочерние элементы
                print(f"   🔍 Поиск ссылок на текущей странице...")
                try:
                    if self.use_selenium and self.driver:
                        # Не раскрываем меню - просто берем HTML страницы
                        # Меню автоматически раскрывается для текущей категории
                        
                        # Берем HTML после раскрытия меню
                        html = self.driver.page_source
                        soup = BeautifulSoup(html, 'html.parser')
                    else:
                        response = self.session.get(current_url, timeout=10)
                        soup = BeautifulSoup(response.text, 'html.parser')
                    
                    # Находим ссылки из меню текущей страницы
                    new_links = self.find_documentation_links(soup, current_url)
                    print(f"   🔗 Найдено новых ссылок: {len(new_links)}")
                    
                    # Добавляем новые ссылки в НАЧАЛО очереди (для иерархического обхода)
                    # Это обеспечит порядок: родитель → дочерние → следующий родитель
                    added = 0
                    for link in reversed(new_links):  # reversed чтобы сохранить порядок при insert(0)
                        if link not in self.visited_urls and link not in urls_to_visit:
                            urls_to_visit.insert(0, link)
                            added += 1
                    
                    if added > 0:
                        print(f"   ➕ Добавлено в начало очереди: {added} ссылок")
                        print(f"   📋 Всего в очереди: {len(urls_to_visit)} страниц")
                except Exception as e:
                    print(f"   ⚠️  Ошибка при поиске ссылок: {e}")
            else:
                print(f"   ❌ Не удалось обработать страницу")
            
            # Небольшая задержка между запросами
            if page_num < max_pages:
                print(f"   ⏳ Пауза 0.2 сек перед следующей страницей...\n")
                time.sleep(0.2)
        
        print(f"\n{'='*80}")
        print(f"✅ Парсинг завершен!")
        print(f"📊 Статистика:")
        print(f"   - Обработано страниц: {len(self.all_content)}")
        print(f"   - Всего символов: {sum(len(p.get('content', '')) for p in self.all_content)}")
        print(f"{'='*80}\n")
    
    def save_to_text(self, output_file: str = 'documentation.txt'):
        """
        Сохраняет собранную документацию в текстовый файл
        
        Args:
            output_file: Путь к выходному файлу
        """
        if not self.all_content:
            print("⚠️  Нет данных для сохранения!")
            return
        
        with open(output_file, 'w', encoding='utf-8') as f:
            for i, page in enumerate(self.all_content, 1):
                f.write(f"\n{'='*80}\n")
                f.write(f"СТРАНИЦА {i}: {page['title']}\n")
                f.write(f"URL: {page['url']}\n")
                f.write(f"{'='*80}\n\n")
                
                # Проверяем, что контент не пустой
                content = page.get('content', '').strip()
                if content:
                    f.write(content)
                else:
                    f.write("[Контент не удалось извлечь]")
                
                f.write(f"\n\n")
        
        print(f"✅ Документация сохранена в файл: {output_file}")
        print(f"   Сохранено страниц: {len(self.all_content)}")
    
    def save_to_json(self, output_file: str = 'documentation.json'):
        """
        Сохраняет собранную документацию в JSON файл
        
        Args:
            output_file: Путь к выходному JSON файлу
        """
        with open(output_file, 'w', encoding='utf-8') as f:
            json.dump(self.all_content, f, ensure_ascii=False, indent=2)
        
        print(f"✅ Документация сохранена в JSON файл: {output_file}")
    
    def _load_visited_urls_from_folders(self):
        """
        Загружает список уже обработанных URL из documentation.json
        Если файл не существует, сканирует папки
        """
        import os
        import json
        import re
        from pathlib import Path
        
        # Вариант 1: Загружаем из documentation.json (быстро)
        json_file = 'documentation.json'
        if os.path.exists(json_file):
            try:
                print(f"   📄 Загружаю из {json_file}...")
                with open(json_file, 'r', encoding='utf-8') as f:
                    data = json.load(f)
                    for page in data:
                        if 'url' in page:
                            self.visited_urls.add(page['url'])
                print(f"   ✓ Загружено из JSON: {len(self.visited_urls)} URL")
                return
            except Exception as e:
                print(f"   ⚠️  Ошибка чтения JSON: {e}")
                print(f"   🔄 Переключаюсь на сканирование папок...")
        
        # Вариант 2: Сканируем папки (медленно, но надежно)
        pages_path = Path(self.pages_output_dir)
        if not pages_path.exists():
            return
        
        print(f"   📁 Сканирую папки...")
        count = 0
        # Рекурсивно ищем все page.html файлы
        for html_file in pages_path.rglob('page.html'):
            try:
                with open(html_file, 'r', encoding='utf-8') as f:
                    content = f.read()
                    # Ищем canonical URL
                    match = re.search(r'<link rel="canonical" href="([^"]+)"', content)
                    if match:
                        url = match.group(1)
                        self.visited_urls.add(url)
                        count += 1
                        if count % 100 == 0:
                            print(f"   ... обработано {count} файлов")
            except Exception as e:
                # Игнорируем ошибки чтения отдельных файлов
                pass
        print(f"   ✓ Загружено из папок: {len(self.visited_urls)} URL")
    
    def _save_page_to_folder(self, page_data: Dict[str, str], page_num: int) -> str:
        """
        Сохраняет страницу в отдельную папку с HTML и текстом
        
        Args:
            page_data: Данные страницы (url, content, title)
            page_num: Номер страницы
        """
        import os
        import re
        
        try:
            # Создаем безопасное имя папки из заголовка
            title = page_data.get('title', 'untitled')
            # Убираем недопустимые символы для имени папки
            safe_title = re.sub(r'[<>:"/\\|?*]', '_', title)
            safe_title = safe_title[:100]  # Ограничиваем длину
            
            # Создаем имя папки
            folder_name = f"page_{page_num:03d}_{safe_title}"
            folder_path = os.path.join(self.pages_output_dir, folder_name)
            
            # Создаем папку если её нет
            if not os.path.exists(folder_path):
                os.makedirs(folder_path)
            
            # Сохраняем HTML
            html_content = page_data.get('html', '')
            if not html_content:
                if self.use_selenium and self.driver:
                    html_content = self.driver.page_source
                else:
                    # Пробуем получить HTML из сессии
                    try:
                        response = self.session.get(page_data['url'], timeout=10)
                        html_content = response.text
                    except:
                        html_content = f"<html><head><title>{title}</title></head><body><h1>{title}</h1><p>HTML не удалось получить</p></body></html>"
            
            # Сохраняем HTML файл
            html_file = os.path.join(folder_path, 'page.html')
            with open(html_file, 'w', encoding='utf-8') as f:
                f.write(html_content)
            
            # Сохраняем текстовый файл в формате Markdown
            text_file = os.path.join(folder_path, 'content.md')
            with open(text_file, 'w', encoding='utf-8') as f:
                content = page_data.get('content', '')
                # Если контент уже в Markdown формате, сохраняем как есть
                # Иначе пробуем конвертировать
                f.write(content)
            
            print(f"   💾 Страница сохранена в папку: {folder_path}")
            print(f"      📄 page.html")
            print(f"      📝 content.md")
            
            return folder_path
            
        except Exception as e:
            print(f"   ⚠️  Ошибка при сохранении страницы в папку: {e}")
            return None
    
def main():
    """Основная функция для запуска парсера"""
    import argparse
    
    parser = argparse.ArgumentParser(description='Парсер документации 1C MyCloud')
    parser.add_argument('--url', type=str, 
                       default='https://1cmycloud.com/console/help/element/8.1/docs/topics/1c-element-overview/',
                       help='URL документации для парсинга')
    parser.add_argument('--username', type=str, help='Имя пользователя для авторизации')
    parser.add_argument('--password', type=str, help='Пароль для авторизации')
    parser.add_argument('--output', type=str, default='documentation.txt',
                       help='Имя выходного файла')
    parser.add_argument('--max-pages', type=int, default=1000,
                       help='Максимальное количество страниц для парсинга')
    parser.add_argument('--use-selenium', action='store_true',
                       help='Использовать Selenium для работы с JavaScript (требует установки Chrome)')
    parser.add_argument('--visible-browser', action='store_true',
                       help='Показывать браузер во время работы (только с --use-selenium)')
    parser.add_argument('--debug', action='store_true',
                       help='Включить режим отладки (сохранение HTML файлов)')
    parser.add_argument('--save-by-pages', action='store_true',
                       help='Сохранять каждую страницу в отдельную папку (HTML + текст)')
    parser.add_argument('--pages-dir', type=str, default='pages',
                       help='Директория для сохранения страниц по папкам (по умолчанию: pages)')
    
    args = parser.parse_args()
    
    # Создаем парсер
    doc_parser = DocumentationParser(
        base_url=args.url,
        username=args.username,
        password=args.password,
        use_selenium=args.use_selenium,
        visible_browser=args.visible_browser
    )
    
    # Включаем режим отладки если указан
    doc_parser.debug_mode = args.debug
    doc_parser.save_by_pages = args.save_by_pages
    doc_parser.pages_output_dir = args.pages_dir
    
    try:
        # Запускаем парсинг
        doc_parser.crawl(start_url=args.url, max_pages=args.max_pages)
        
        # Сохраняем результаты
        doc_parser.save_to_text(args.output)
        doc_parser.save_to_json(args.output.replace('.txt', '.json'))
    finally:
        # Закрываем Selenium драйвер если использовался
        if doc_parser.driver:
            doc_parser.driver.quit()
            print("✅ Selenium драйвер закрыт")


if __name__ == '__main__':
    main()