logo-extraction

name	logo-extraction
description	Extract the company logo for a company in the companies table and store it as a small base64 data-URI (max ~35KB, min 32px). Primary path is fully automated via logo_fetch.py against the official website (apple-touch-icon → icon → og:image → favicon); when the site blocks bots or has no usable icon, find a direct logo image URL via web search and pass it with --from-url. Verify the website really belongs to the company BEFORE fetching. Sets companies.logo, logo_source, logo_fetched.
allowed-tools	Bash(python3 *), Bash(curl *), Bash(jq *), WebSearch, WebFetch

logo-extraction — logo aziendale per la pagina posizione

Il web mostra il logo dell'azienda sulla pagina di dettaglio posizione. Il logo vive sulla riga companies (UNA per azienda: 1000 posizioni Wizz Air = 1 logo) come data-URI base64 piccolo, e viaggia col sync companies esistente. Nessun upload, nessuno storage esterno.

3 colonne da popolare (le scrive logo_fetch.py, MAI a mano)

logo          text  data-URI base64 (png/jpeg/webp/ico), <= ~35KB raw
logo_source   text  URL da cui il logo è stato estratto (audit/refresh)
logo_fetched  bool  true = estrazione TENTATA (anche se fallita) —
                    pattern office_geocoded: l'azienda esce dalla coda
                    next-for-logo-missing e non si riprova a ogni giro

REGOLA d'oro: azienda giusta, sito giusto

Il logo sbagliato è peggio di nessun logo. Prima di lanciare il fetch verifica che companies.website appartenga DAVVERO all'azienda della posizione (non un omonimo, non l'aggregatore che ha pubblicato l'annuncio, non il gruppo madre sbagliato). In dubbio: web search "<Company> official site" e confronta col settore/paese della riga.

• Annuncio pubblicato da agenzia/recruiter (Manpower, Randstad, ...) MA per conto di un hotel/azienda nominata → il logo è dell'azienda della riga companies collegata alla posizione, qualunque essa sia.
• Catena vs proprietà (es. "CARDO ROMA, Autograph Collection"): usa il logo del brand che compare come companies.name.

Workflow

Step 0 — La coda

python3 /app/shared/skills/db_query.py next-for-logo-missing

Elenca le aziende con posizioni vive e logo mai tentato, ordinate per numero di posizioni (prima le più visibili). NO WEBSITE (cercalo prima) = fai prima Step 1.

Step 1 — Website mancante? Trovalo e salvalo

# dopo web search "<Company> official website":
python3 /app/shared/skills/db_update.py company "<Company>" \
  --website https://www.wizzair.com

Step 2 — Fetch automatico (il percorso normale)

python3 /app/shared/skills/logo_fetch.py "<Company>"

Lo script: scarica la homepage, prova apple-touch-icon → icon grandi → og:image → /favicon.*, valida formato (png/jpeg/webp/ico, MAI svg), peso (200B–35KB) e lato minimo (>=32px), salva il data-URI e marca logo_fetched=1. Output JSON su stdout. --dry-run per provare senza scrivere, --force per sostituire un logo esistente.

Step 3 — Sito anti-bot o senza icona usabile → --from-url

Se Step 2 dà NO_CANDIDATE (siti come marriott.com bloccano i bot):

1. Web search "<Company> logo png" / "<Company> press kit logo" / pagina Wikipedia dell'azienda (i file Wikimedia hanno URL diretti).
2. Trova l'URL diretto dell'immagine (deve finire in .png/.jpg/ .webp/.ico o comunque servire l'immagine raw, non una pagina HTML).

3. python3 /app/shared/skills/logo_fetch.py "<Company>" \
     --from-url "https://upload.wikimedia.org/.../Wizz_Air_logo.png"
   

   La stessa validazione (peso/formato/dimensioni) si applica: se l'immagine è troppo pesante cerca una variante più piccola (thumbnail Wikimedia: sostituisci nel path /1200px- con /240px-).

Step 4 — Niente di usabile dopo 3 tentativi → marca e passa oltre

python3 /app/shared/skills/logo_fetch.py "<Company>" --mark-attempted

logo_fetched=1 con logo NULL: la pagina web mostra il fallback a iniziali, l'azienda esce dalla coda. NON insistere oltre 3 tentativi.

Policy di risparmio (enrichment-policy)

Il fetch autonomo rispetta $JHT_HOME/profile/enrichment-policy.json (controlla con python3 /app/shared/skills/enrichment_policy.py show). Risposte possibili di logo_fetch.py:

• POLICY_DISABLED — risparmio attivo (economy=true) o logo.enabled=false: NON estrarre, non è un errore. Vai avanti.
• POLICY_SCORE_GATE — l'azienda non ha ancora posizioni vive con score ≥ logo.min_score: NON insistere. Non marca logo_fetched: quando lo Scorer supera la soglia, l'azienda rientra in coda da sola.

--force scavalca la policy: usalo SOLO su richiesta esplicita dell'utente, mai in autonomia.

Qualità attesa

• Preferisci icone quadrate 96–256px (apple-touch-icon è l'ideale).
• 32–48px (favicon) è accettabile come ripiego: il riquadro web è piccolo. Sotto 32px lo script rifiuta da solo.
• Il cap 35KB è rigido (protegge DB e sync): non aggirarlo, cerca una variante più leggera.

Vietati

• ❌ Logo di un'azienda OMONIMA o del gruppo sbagliato (verifica web!)
• ❌ Logo dell'aggregatore/job-board (LinkedIn, Indeed) al posto dell'azienda
• ❌ Scrivere logo/logo_source/logo_fetched a mano con db_update: passa SEMPRE da logo_fetch.py (è l'unico che valida)
• ❌ SVG, immagini >35KB, icone <32px (lo script li rifiuta: non cercare di aggirarlo)
• ❌ Screenshot della homepage o ritagli: solo file-logo reali
• ❌ Più di 3 tentativi per azienda: marca --mark-attempted e avanti