| name | scraper-expert |
| description | BaseScraper contract, field rules, and Peatix-specific conventions for the Scraper Expert agent |
| applyTo | .github/agents/scraper-expert.agent.md |
Scraper Expert Skills
Read this at the start of every session before writing any scraper.
Language Rule
- Use English for rule bodies in this file. Keep Japanese and Chinese only for code literals, incident titles, and short source-specific phrases that must match the site content.
Taiwan Relevance & Selection Reason Guidelines
- The "Wansei" (湾生) Signal: For any Japanese artist or historical figure, check if they were born in Taiwan during the colonial period. This "Wansei" status is a primary signal for High Taiwan Relevance. Explicitly mention this in the
description and selection_reason.
- Concrete Selection Reasons: NEVER use generic descriptions like "promotes Taiwan-Japan exchange" as the sole reason. You must specify the concrete connection:
- "The artist X was born in Kaohsiung, Taiwan (Wansei)."
- "Exhibition features 15th-century artifacts from Taiwan's Yami people."
- "Film directed by Z, who won the Golden Horse Award in Taiwan."
- "Lecture discussing Japan's infrastructure legacy in Taiwan."
- Selection reason filter order: Apply the three-pass
go_taiwan filter in this order and do not reorder the stages. Stage 1 = title Taiwan-only rejection, Stage 2 = Taiwan-venue rejection with the Japanese-visitor exception, Stage 3 = Japan-keyword acceptance. If Stage 2 rejects, Stage 3 must not override it.
- Category Enrichment: Events with direct Taiwan-Japan historical or biographical links (like Wansei artists) MUST include the
taiwan_japan category in addition to art, history, etc.
BaseScraper Contract
- Every scraper must extend
BaseScraper and implement scrape() → list[Event].
source_id must be stable across runs — derive from URL slug or platform ID, never from title or list position.- Always set
start_date explicitly. Never fall back silently to the page's publish/update date.
- Prepend a date prefix to
raw_description only after the scraper has finished extracting the structured fields it needs from the body.
- Standard / non-cinema calendar-date scrapers: prepend
開催日時: YYYY年MM月DD日\n\n when a single event date is found in the page body.
- When
end_date is known and differs from start_date, prepend the full range 開催日時: YYYY年MM月DD日〜YYYY年MM月DD日.
- Cinema Type 3 scrapers with no known
end_date must not prepend a fallback date prefix that would trigger the annotator SINGLE-DAY RULE.
.tw ドメインの SSL 証明書エラー (Missing Subject Key Identifier): 台湾政府サイト（startupterrace.tw 等）は TLS 証明書に Subject Key Identifier 拡張が欠落しており、requests のデフォルト verify=True が SSLCertVerificationError を raise する。該当サイトには verify=False + warnings.simplefilter("ignore") を使う helper _get() を定義すること。
def _get(url: str) -> requests.Response:
"""GET with SSL verification disabled (cert missing SKI extension)."""
with warnings.catch_warnings():
warnings.simplefilter("ignore")
return requests.get(url, headers=_HEADERS, timeout=15, verify=False)
(Incident: startup_terrace 99d9fde, 2026-05-17.)start_date/end_date must use tzinfo=timezone.utc for calendar dates: For all-day calendar dates, never pass JST-aware datetimes (tzinfo=_JST / timezone(timedelta(hours=9))) to Supabase. Use datetime(y, m, d, tzinfo=timezone.utc) so the date stays on the intended calendar day. For event times that are explicitly written in JST and need hour-level precision, convert the JST timestamp to UTC before storing it, then strip the tzinfo only if the caller expects a naive UTC datetime. Audit after every fix: grep -rn "tzinfo=_JST\|tzinfo=JST" scraper/sources/. (Incidents: Stranger b7dc34f, shin_bungeiza bcb6142.)- Strip null bytes from all scraped text: Before writing any string to
raw_description, name_ja, or speaker fields, call .replace("\x00", ""). Null bytes (\u0000) can appear in web-scraped text and cause Postgres error 22P05: unsupported Unicode escape sequence. (Incident: taiwan_prism.py c7e9b73 — ×\u0000栖来ひかり in speakers field broke all 13 events.)
parent_event_id must be a real UUID, never a source_id string: parent_event_id is a uuid column. Passing a source_id string (e.g. f"scraper_{year}") causes Postgres 22P02. Use database.get_event_id_by_source(SOURCE_NAME, parent_source_id) to resolve the UUID. On the first run, when the parent UUID does not yet exist, emit the child with parent_event_id=None and log a WARNING. Do not skip the sub-event. The second run will upsert the correct UUID via the normal scrape cycle. (Incident: taiwan_prism c7e9b73)- List-page / search-card
location_name ≠ actual venue (multi-page scrapers): When a platform shows events on a search/list page AND has a separate detail page, the list card may display the admin/managing branch (e.g. 新宿教室) rather than the actual venue (e.g. 立川サテライト教室). Always fetch the detail page to extract the real location_name. Pattern to look for on detail page: table row 備考 → 「会場名」 bracket pattern; fall back to card branch only if the detail page yields nothing. (Incident: asahiculture da3ac31, 2026-05-15.)
- Multi-classroom scrapers: detect online courses BEFORE resolving physical address. Platforms like 朝日カルチャーセンター serve both in-person (classroom) and online courses. If
"オンライン" in raw_title or "オンライン" in location_name, set location_name = "オンライン", location_address = None and skip CLASSROOM_ADDRESS_MAP lookup entirely. Failure to check causes the course's managing classroom address to be written to DB even though the event is online-only. (Incident: asahiculture d617e8c4, 2026-05-15.)
_is_online = "オンライン" in raw_title or "オンライン" in (detail["location_name"] or "")
if _is_online:
location_name, location_address = "オンライン", None
else:
location_name = detail["location_name"] or card_branch
location_address = detail["location_address"] or CLASSROOM_ADDRESS_MAP.get(location_name)
- Use
re.findall() for start/end date ranges, never re.search(): Strings like "2026/04/07火～2026/06/16火" contain two full dates. re.search() stops at the first match, silently dropping end_date. Use re.findall(pattern, text) then take matches[0] as start_date and matches[-1] as end_date. Single-day events have len(matches) == 1 → end_date = None. (Incident: asahiculture_8759178, 2026-05-15.)
- Keyword-filtered description scan silently hides structured fields: If
_fetch_detail* only collects paragraphs containing Taiwan keywords (台湾/Taiwan), any structured field in a non-keyword section — lecturer <h3>, schedule table, venue 備考 row — will never be captured. Always scan the full detail page with separate passes for each structured field type (table rows, headings) independent of keyword filtering. (Incident: asahiculture performer 村山 秀太郎 extracted as "記", 2026-05-15.)
location_address ≠ location_name rule (ALL scrapers): location_address must NEVER equal location_name. When a scraper has a single combined "location" field, parse it: venue name → location_name, street address (using _ADDR_RE: 〒 or prefecture+city+street pattern) → location_address. If no real street address can be extracted, set location_address = None. This is enforced by auto_qa_address_is_venue_name detector. Also note: _ai_or_existing() in annotator preserves non-null DB values, so a scraper writing the wrong value cannot be corrected by the annotator.- Fixed-venue scrapers (cinema, gallery, theater) MUST set
organizer= and organizer_type=["commercial_brand"]: location_name is stored in DB and shown in the venue column, but it does NOT appear in the admin event card. The 🏢 venue line in the event card is powered by the organizer field. A fixed-venue scraper that sets only location_name without organizer produces events that look venue-less in the admin list. Correct pattern (see kyoto_cinema.py, kino_shinsaibashi.py, sakurazaka.py):
location_name="シネマ・クレール 丸の内１・２",
location_address="岡山市北区丸の内１丁目５−１",
organizer="シネマ・クレール",
organizer_type=["commercial_brand"],
(Incident: cinemaclair.py and human_trust_cinema.py missing organizer=, 2026-05-15.)
- Never restrict geographic scope: The project covers all of Japan（全日本）. Regional keyword filters (e.g.
_TOKYO_KANTO_KEYWORDS) must never be added to any scraper.
- Date-parser helper functions must have exhaustive return paths: Any
_extract_dates() / _parse_*_date() helper must have an explicit return on every branch — never rely on Python's implicit None. A function that falls through returns None, and callers that do start, end = helper() will raise TypeError: cannot unpack non-iterable NoneType object — this is silently swallowed by outer try-except, causing the entire page's events to be dropped with no ERROR log. Add return None, None as the final fallback. (Incident: peatix _extract_peatix_dates, commit 2a9540c, 7 days of silent 0 events.)
- After fixing a filter bug: Run
python main.py --source <name> (non-dry-run) after the fix is committed and peer-reviewed. This rule applies specifically to filter bugs that caused events to be silently dropped. A dry-run confirms the fix works but does NOT write to DB — the data gap remains until the next CI cycle.
--source X is NOT cost-bounded — it always runs the full annotator/merger over the whole DB after scraping. scraper/main.py unconditionally calls annotate_pending_events() + enrich_movie_titles() + enrich_person_names() regardless of --source. These scan the entire events table for annotation_status='pending', so looping --source X over N sources locally triggers the annotator N times and burns ~N× the OpenAI quota of the daily cron. Use cases:
- Local staging / quota check / SCRAPERS audit across many sources →
python main.py --dry-run --source X (no DB writes, no annotator/merger, no OpenAI calls).
- Verify a single scraper's DB upsert path after a fix →
python main.py --source X (one call, accept the annotator pass as cost).
- Production daily cron →
python main.py (no --source) — scrapes all 114 sources then runs annotator/merger ONCE. Do not "optimize" this by sharding into per-source calls; it would increase cost, not reduce it.
- SCRAPERS registration: Every new scraper class must be registered in
SCRAPERS in main.py in the same commit it is created. Audit command:
cd scraper && python3 -c "
import re, glob
registered = set(re.findall(r'(\w+Scraper)\(\)', open('main.py').read()))
for f in glob.glob('sources/*.py'):
c = open(f).read()
m = re.search(r'class (\w+Scraper)\b', c)
if m and m.group(1) not in registered and m.group(1) != 'BaseScraper':
print('UNREGISTERED:', m.group(1), f)
"
- Run SCRAPERS audit after ANY
main.py change: Not only when adding new scrapers. Any refactor or chore commit touching main.py risks silently dropping registrations. Run the audit and confirm "ALL CLEAR" before git push.
- ⚠ Rewriting main.py drops all registrations: When adding a new scraper, NEVER regenerate the full imports+SCRAPERS block from scratch — always append to the existing list. In commit
045d1fa, adding WasedaICL by rewriting main.py silently dropped 24 scrapers that ran without error for weeks (6a83c64 restored them). SCRAPERS count before any commit: python3 -c "import re; print(len(re.findall(r'\\w+Scraper\\(\\)', open('scraper/main.py').read())))" — if count drops vs prior commit, something was lost.
- Source removal procedure (3-step atomically): When removing a scraper entirely:
- Remove
import from main.py
- Remove
ScrapeClass() from SCRAPERS in main.py
- Hard delete existing DB records:
sb.table('events').delete().eq('source_name', '<source_name>').execute()
All 3 steps must happen in the same session. Missing step 3 leaves stale data visible in production.
- Promotion checklist (新規スクレイパー完成時 — auto_generate 問わず全件適用): 新しい scraper ファイルを作成した時点で、以下 5 ステップを 同一 session で完了すること。ファイル作成 ≠ 完成。
scraper/sources/<name>.py 作成・dry-run 確認済み。scraper/main.py — import + SCRAPERS 登録済み（下記 SCRAPERS audit で確認）。research_sources row — status = 'implemented'。research_sources.scraper_source_name = '<scraper key>' — 手動で必ず入力。auto_generate も Researcher も書かない。省略すると /admin/sources のイベント数が 0 になり、「今すぐ実行」ボタンも非表示になる（backend が scraper_runs を source_name で JOIN するため）。- 下記 Combined Post-Build Audit を実行し ALL CLEAR を確認。
- ⚠ 必須在同一個 session で全 5 ステップを完了すること。 途中で session を切ると研究状態が中断し、
research_sources 未登録のまま scraper が CI に入る。
update_source.py は researched/not-viable のみ対応。 implemented ステータスは update_source.py で設定できない — Supabase SDK で直接 upsert する必要がある:
sb.table("research_sources").upsert({
"url": "<listing_url>",
"name": "<display name>",
"status": "implemented",
"scraper_source_name": "<source_key>",
"scraping_feasibility": "medium",
"agent_category": "event_listing",
}, on_conflict="url").execute()
Venue Registry 使用慣例
- Scraper 端不要硬編固定場館地址。固定場館應新增到
venues，並設定 is_authoritative = true，scraper 只保留 location_name 原文。
- Annotator 會透過
venue_registry.lookup_venue() 自動補齊 location_address、location_prefectures、venue_id 與 i18n 欄位。
- 新場館流程：先由 scraper 穩定抓到
location_name，確認重複出現（至少 2 筆）後，將場館加入 scraper/_oneoff_seed_authoritative_venues.py 的 SEED_DATA，並附上 pre-flight diff 無衝突證據。
- 多場館系列（影展等）請設定
is_multi_venue = true，讓 annotator 自動使用 prefectures 並將 location_address 保持為 None。
- Seed pre-flight 衝突 SKIP の注意点:
_has_conflict() は NFKC 正規化 + 番地レベルのトランケートで住所を比較する（exact match 禁止）。\u3000・全形数字・大樓名有無・都道府縣前綴の有無はすべて compatible として扱われる。- 衝突チェックは active イベントのみ（
is_active=True）を対象にする。inactive gnews イベントの住所は不完全なことが多く、seed を誤ブロックする原因になる。
- SKIP が出た場合は event_id sample を確認し、住所が本当に異なるか（別場所）または単なるフォーマット差異かを判別すること。
Default Fallback & Pricing Policies (系統預設回退與收費政策)
- 時間空白回退 (Empty Business Hours Fallback):
當事件無
business_hours (場次/營業時間) 時，前端在 UI 上不應只顯示 "—"。
- 若
official_url 或 source_url 存在，前端會顯示 「請參照原始來源」 并加上指向該 URL 的超連結。這由 web/app/[locale]/events/[id]/page.tsx 中實作。
- 電影院類的預設有料 (Cinema Default Pricing Fallback):
在
annotator.py AI enrichment 過程中，針對電影院類別（event_form 含有 screening 或 screening_with_talk，或 category 是 movie，或 source_name 符合電影院來源（如 cinema, cinemart, cineswitch, eurospace, human_trust, bungeiza, cinemarine, morc））：
- 若
is_paid 為空，且非台灣文化中心（source_name="taiwan_cultural_center" 或 organizer 含有台灣文化中心）主辦，預設為 is_paid = True（有料）。
- 若
is_paid 為 True 且 price_info 為空白，預設為 price_info = "有料"，避免前台因沒有票價顯示留空或破圖。
⚡ Combined Post-Build Audit — 新規 scraper 完成後に必ず実行
新しい scraper ファイルを作成・編集するたびに、task_complete 前に必ずこのコマンドを実行し、両方 ALL CLEAR を確認すること。
python3 -W ignore scraper/audit_post_build.py
出力例（正常）:
✅ SCRAPERS: all registered
✅ research_sources: all implemented rows have scraper_source_name
🎉 ALL CLEAR — safe to commit
エラー例（未対応時）:
❌ UNREGISTERED in main.py: TsutayaPortalScraper (sources/tsutaya_portal.py)
❌ scraper_source_name NULL: "蔦屋書店ポータル（台湾キーワード横断検索）" (status=implemented)
meta.json に source_name / class_name がない場合は generated.py 先頭を直接確認する: auto_scraper/runs/{id}/meta.json に source_name が含まれていない場合がある。その場合は auto_scraper/runs/{id}/generated.py の先頭数行を読んで class XxxScraper(BaseScraper): を探す。クラス名から source_name は snake_case 変換で導ける（BookAndBeerScraper → bookandbeer）。- auto-scraper feature branch は生成後 24 時間以内にマージする:
SCRAPERS リストは全員が同じ行/ブロックを編集するため、放置するほど conflict が深刻化。長期放置 → 複数の scraper 追加コミットが main に積まれ → マージ時に手動解決が必要になる（commit 7cedc68 の Artist Cafe 衝突事例）。
- Identify source_name from a problem event: Never guess from the event title — always query the DB:
sb.table('events').select('source_name,source_id,source_url').eq('id', '<uuid>').execute()
start_date / end_date must be datetime.datetime, NOT datetime.date: dedup_events in base.py calls .date() on start_date. Passing a bare date object raises AttributeError: 'datetime.date' object has no attribute 'date'. Always use datetime(y, m, d) when constructing dates in scrapers.category must be list[str], NOT a bare string: The DB column is text[]. Passing category="movie" raises malformed array literal at write time. Always use category=["movie"]. This fails silently at compile time and only surfaces on DB upsert.- Sub-events — always look up parent UUID via
get_event_id_by_source(): When setting parent_event_id on a sub-event, call database.get_event_id_by_source(source_name, source_id) -> str | None to retrieve the parent's UUID. Never assume the UUID in the scraper or depend on insertion order. Example:
from scraper.database import get_event_id_by_source
parent_uuid = get_event_id_by_source("taiwanshi", parent_source_id)
Event(..., parent_event_id=parent_uuid)
requests.Session() must always mount HTTPAdapter with Retry: Any scraper that creates a requests.Session() must attach a retry adapter in __init__. Without it, a single transient network blip from GitHub Actions runners raises Max retries exceeded and triggers Sentry — even when the target site is healthy. Required pattern:
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry
_retry = Retry(
total=3,
backoff_factor=2,
status_forcelist=[429, 500, 502, 503, 504],
raise_on_status=False,
)
self._session.mount("https://", HTTPAdapter(max_retries=_retry))
self._session.mount("http://", HTTPAdapter(max_retries=_retry))
Backoff: 2s → 4s → 8s. Mount both https:// and http://.- WordPress 活動頁標籤變體防漏抓（主催/講師）: 對 WordPress/類 CMS 活動頁，人物與主辦欄位不得只依賴單一標籤。至少實作
講演者 → 講師 → 登壇者 的 fallback，並同時抽取 主催（必要時 共催）。此外，需將 主催: 與 講師: 顯式寫入 raw_description，確保 annotator 可在結構化文本中穩定回填 organizer / performer，避免觸發 auto_qa_missing_organizer / auto_qa_missing_performers。
WordPress RSS — <strong> Strip 後空格問題
Rule: WordPress RSS の <description> を BeautifulSoup で parse すると、<strong> 等の inline タグ除去後に数字の間に空白が挿入される（例："2026 年 1 月 31 日"）。日付 regex では \d と漢字の間を \s* で繋ぐこと。
_DATE_RE = re.compile(r"(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日")
_DATE_RE = re.compile(r"(\d{4})年(\d{1,2})月(\d{1,2})日")
WordPress RSS CDATA — <a href> URL は .get_text() で消える
Rule: WordPress RSS の <content:encoded> CDATA には Peatix・チケット販売サイト・公式サイトへのリンクが <a href="..."> アンカーとして埋め込まれる。BeautifulSoup(content_html, "html.parser").get_text() でテキスト変換すると href 属性が消えるため、正規表現によるプレインテキスト検索では URL を検出できない。
必ず生 HTML 文字列を別途 BS4 でパースし find_all("a", href=True) を走査する関数を用意すること:
def _extract_peatix_url_from_html(html_text: str) -> Optional[str]:
"""Extract Peatix event URL from HTML anchor href attributes.
Priority: peatix.com/event/NNN (specific event page) over
*.peatix.com subdomain (organizer channel page).
Channel links often appear as banners BEFORE the event link.
"""
soup = BeautifulSoup(html_text or "", "html.parser")
channel_url: Optional[str] = None
for a in soup.find_all("a", href=True):
href: str = a["href"]
if "peatix.com" not in href:
continue
href = href.rstrip("./,、）)")
if re.search(r"peatix\.com/event/\d+", href):
return href
if channel_url is None:
channel_url = href
return channel_url
呼び出し側でテキスト検索と HTML 検索を OR で組み合わせる:
_peatix = _extract_peatix_url(content_text) or _extract_peatix_url_from_html(content_html)
⚠️ URL 種別の優先度: Peatix には 2 種類の URL が存在する:
peatix.com/event/NNN/view — 個別イベントページ（チケット購入・詳細情報あり）← 優先org.peatix.com — 主催者チャンネルページ（イベント一覧のみ）← fallback
HTML 内に両方が現れる場合、チャンネルページが先に出現することが多い。常に全アンカーを走査して /event/NNN を優先すること。
適用範囲: WordPress RSS を使う全 scraper（ftip、その他 WordPress ベースのソース）。
(Incidents: ftip ee870f7 CDATA extraction, 34368e3 channel-vs-event priority, 2026-05-17.)
Peatix — ロケールプレフィックス URL の正規化（URL 収集段階で実施）
Rule: Peatix は headless ブラウザのロケール設定に応じて https://peatix.com/us/event/{id} や /ja/event/{id} 形式の URL を返すことがある。これらは実際のイベントページ（https://peatix.com/event/{id}）へのリダイレクトが失われると 302 → トップ になり broken link となる。URL は 収集段階（_search_events・_scrape_group_events）で正規化すること。
import re
_PEATIX_LOCALE_RE = re.compile(
r"(https://peatix\.com)/[a-z]{2,5}(?:-[A-Z]{2})?(/event/)"
)
def _normalize_peatix_url(url: str) -> str:
"""Strip locale prefix from Peatix URLs.
https://peatix.com/us/event/123 → https://peatix.com/event/123
https://peatix.com/ja/event/123 → https://peatix.com/event/123
https://peatix.com/event/123 → unchanged
"""
return _PEATIX_LOCALE_RE.sub(r"\1\2", url)
収集ループでの適用:
full = _normalize_peatix_url(full.split("?")[0])
既存 DB に locale 付き URL が混入している場合の修正手順:
sb.table('events').select(...).like('source_url','%/us/event/%') で件数確認- 正規化後
source_id = hashlib.md5(new_url).hexdigest()[:16] を計算
- その
source_id で既存レコードが存在するか確認
- DUP あり →
/us/ 版を merged_into_event_id 設定して soft-delete
- DUP なし →
source_url・source_id を直接 update
(Incidents: peatix e9c6f80b 2026-05-17, 55d766ae 2026-05-19, commit 8b901ec.)
aggregator scraper の location_name フォールバックに組織名を使わない
Rule: 会場抽出に失敗した場合、組織名定数（例: LOCATION_NAME = "台湾原住民族との交流会"）を location_name のフォールバックに使わないこと。組織名が会場として DB に入り、UI で「会場：台湾原住民族との交流会」と誤表示される。
location_name = venue_name if venue_name else None
location_name = venue_name if venue_name else LOCATION_NAME
会場が不明な場合は location_name = None とし、annotator または手動修正に委ねること。
(Incident: ftip 278e6d8, 2026-05-17.)
適用範囲：WordPress 6.x 以降の全 RSS ベース scraper。get_text() / get_text(strip=True) を問わず発生する。
Reference incident: 2026-05-12 — nittai_toumonkai.py（WordPress 6.9.4）の <description> で 2026 年 1 月 31 日 形式を確認。
venue regex 負向前瞻 — (?!<後綴詞>) 誤匹配防止
Rule: 会場、場所、開催場所 等の venue キーワード regex に負向前瞻を追加して複合語の誤マッチを防ぐ。
_VENUE_RE = re.compile(r"会場(?!受付)[：:]\s*(.+)")
_VENUE_RE = re.compile(r"会場[：:]\s*(.+)")
要注意の複合語一覧：会場受付、会場費、会場変更、会場案内
各 regex 追加時に上記複合語を検討し、必要に応じて (?!受付|費|変更|案内) を付与すること。
Reference incident: 2026-05-12 — nittai_toumonkai.py で 会場受付 が venue name として誤抽出。
Venue / 日時ラベル抽出 — セパレーター量詞と get_text 使い分け
セパレーター文字クラスは +（1 回以上）にする
venue・日時ラベル（会場、場所、開催場所、日時 等）の後ろに続くセパレーター文字クラスは必ず + にする。* を使うと本文中の同名の一般名詞（例：称揚する場所」...）にマッチしてゴミテキストを venue として取得してしまう。
_VENUE_RE = re.compile(r"(?:会場|場所|開催場所)[ \s：:]+([^\n]{3,60})")
_VENUE_RE = re.compile(r"(?:会場|場所|開催場所)[ \s：:]*([^\n]{3,60})")
get_text("\n") と get_text(" ") の使い分け
| 用途 | 推奨 | 理由 |
|---|
venue・日時（構造依存、[^\n] を使う regex） | get_text("\n", strip=True) | HTML ブロック境界が \n に変換され [^\n] がブロック内で停止する |
| 日付・概要・キーワード判定（改行不要） | get_text(" ", strip=True) | 1 行テキストで regex が扱いやすい |
両バリアントを変数として保持するのが安全：
full_text = soup.get_text(" ", strip=True).replace("\x00", "")
full_text_nl = soup.get_text("\n", strip=True).replace("\x00", "")
mv = _VENUE_RE.search(full_text_nl)
md = _DATE_RE.search(full_text)
get_text(" ") のみで venue regex を走らせると、会場行と次のセクション（プログラム・講師情報 etc.）が 1 行に結合されるため、[^\n]{3,60} が 60 文字まで次のセクションを取り込む。
Reference incident: 2026-05-15 — snet_taiwan.py で 場所 が本文に誤マッチ（量詞 * 修正）後も get_text(" ") によりプログラム情報が混入（get_text("\n") 導入で解決）。
全形数字 — unicodedata.normalize("NFKC") 事前変換
Rule: 日本語ウェブページの数字は全角（２０２６年）で記述されている場合がある。parse 前に unicodedata.normalize("NFKC", text) で半角に統一すること。
import unicodedata
def _fw_to_ascii(self, text: str) -> str:
"""全形数字・記号を半形に変換する。"""
return unicodedata.normalize("NFKC", text)
text = self._fw_to_ascii(raw_text)
m = _DATE_RE.search(text)
適用範囲：全角数字が出現しうる全 scraper（特に団体サイト・勉強会系）。BeautifulSoup.get_text() は全角のまま返すため変換は必須。
Reference incident: 2026-05-12 — nittai_toumonkai.py 本文に ２０２６年 が出現。
時間レンジ区切り文字 — 5 種類すべてを character class に含める
Rule: 日本語テキストの時間レンジ（開始〜終了）を正規表現でパースする際は、以下 5 種類の区切り文字すべてを character class に含めること。
| 文字 | Unicode | 典型ソース |
|---|
〜 | U+301C WAVE DASH | 一般的 |
~ | U+007E ASCII TILDE | 一般的 |
～ | U+FF5E FULLWIDTH TILDE | 一般的 |
- | U+002D HYPHEN-MINUS | ASCII |
－ | U+FF0D FULLWIDTH HYPHEN-MINUS | 学術・waseda 系 |
_TIME = r'\d{1,2}:\d{2}'
m = re.search(rf'({_TIME})\s*[〜~～\-－]\s*({_TIME})', text)
annotator.py の _extract_hours_from_raw() はこのパターンを実装済み（commit b3b32b3）。新たに時間パーサを書く際は同じ character class を踏襲すること。
修正時のテスト手順：
cases = [
'15:05－17:00',
'15:05～17:00',
'15:05〜17:00',
'15:05-17:00',
'15:05~17:00',
]
for t in cases:
assert re.search(rf'({_TIME})\s*[〜~～\-－]\s*({_TIME})', t), f'MISS: {t!r}'
Reference incident: 2026-05-30 — waseda_taiwan event 75a46729 で business_hours が 15:05 のみ（17:00 欠落）。commit b3b32b3。
Jimdo / 一部 CMS — URL パス encoding 不統一 → unquote(href)
Rule: Jimdo, 一部の WordPress, FC2 等のCMSは、<a href> の日本語パスをあるページでは URL-encode し、別のページでは生の日本語文字で出力する。比較・重複排除を行う前に unquote() で正規化すること。
from urllib.parse import unquote, urljoin
href = a.get("href", "")
normalized = unquote(href)
full_url = urljoin(base_url, normalized)
注意：urljoin は encode 済み URL も未 encode URL も正しく処理するが、比較は必ず decode 後に行うこと（/ブログ/ と /%E3%83%96%E3%83%AD%E3%82%B0/ は同一 URL だが文字列比較では不一致）。
Reference incident: 2026-05-12 — tsudoi_osaka.py（Jimdo CMS）の href に encoding 不統一が確認された。
POST 検索フォームサイト — requests.post + 302 追跡
大学・機関サイトの検索機能は GET パラメータでなく POST body を使うことが多い。
必須確認：ブラウザ devtools の Network タブまたは curl -v でフォームの method 属性を確認する。
resp = requests.post(
"https://www.wuext.waseda.jp/course/search-list/",
data={"keyword": "台湾", "page": 1},
allow_redirects=True,
headers={"User-Agent": "Mozilla/5.0"},
timeout=30,
)
resp = requests.get("https://www.wuext.waseda.jp/course/search-list/?keyword=台湾")
規則:
- POST フォームサイトは Cookie なしで動作することが多い（まず試す）。セッション Cookie が必要な場合のみ
requests.Session() を使う。
allow_redirects=True で 302 を自動追跡する。form[method="post"] サイトへの GET リクエストは検索結果でなくデフォルトページを返す。結果が 0 件の場合は必ず POST を試すこと。
Reference incident: 2026-05-13 — wuext_waseda.py で ?keyword=台湾 GET が無視され 0 件。POST に変更で正常動作。
大学・機関サイト — コンテンツコンテナと台湾フィルタ
本文コンテナの特定
大学・機関サイトの detail ページは固有の id または class を持つコンテンツコンテナを使う。
content = soup.find(id="course") or soup.find("main") or soup
content = soup.find("body")
手順:
curl -s <url> | grep -E 'id=|class=' | head -30 でコンテナ候補を列挙する。- ブラウザ devtools で実際のコンテンツ div を確認する。
id を優先し、なければ class セレクターを使う。find('main') は最終手段。
要注意のサイト別コンテナ例:
- 早稲田エクステンション（wuext_waseda）:
id="course"
- 朝日カルチャーセンター（asahiculture）:
div.course-detail / 備考 th/td row
台湾フィルタは詳細ページ本文まで検索する
大学講座・機関イベントはタイトルに「台湾」を含まず、本文のみで台湾を言及する場合が多い（例: 「緊迫する世界状勢と現代地政学」「台湾有事」を内容で扱う）。
_TAIWAN_KEYWORDS = ("台湾", "台北", "台中", "高雄", "台南", "日台", "台日", "中華民国")
def _is_taiwan_content(self, title: str, detail_soup) -> bool:
"""タイトルまたは詳細ページ本文に台湾キーワードが含まれるか判定する。"""
if any(kw in title for kw in _TAIWAN_KEYWORDS):
return True
content = detail_soup.find(id="course") or detail_soup
body_text = content.get_text(" ", strip=True)
return any(kw in body_text for kw in _TAIWAN_KEYWORDS)
規則:
- 詳細ページ取得が価格・日付抽出と兼用できる場合は必ず本文フィルタを有効にする。
- タイトルのみフィルタは教育・学術系サイトでは収録漏れが多い。
_TAIWAN_KEYWORDS は最低限 台湾 日台 台日 を含めること。
Reference incident: 2026-05-13 — wuext_waseda.py でタイトルのみフィルタにより「緊迫する世界状勢と現代地政学」等が脱落。
Date Extraction — General Rules
Rules that apply to ALL scrapers when constructing raw_description and start_date/end_date.
開催日時: prefix — complete format when end_date is known
When a scraper already knows end_date AND end_date ≠ start_date, the 開催日時: prefix in raw_description must include the full date range:
開催日時: YYYY年MM月DD日〜YYYY年MM月DD日
Writing only the start date (開催日時: YYYY年MM月DD日) tells GPT there is a single day → SINGLE-DAY RULE fires → end_date is set to start_date, discarding the correct value already held by the scraper.
Note: annotator.py's annotation.get("end_date") or event.get("end_date") fallback is blind to non-null wrong values — it only activates when GPT returns null. If GPT returns a non-null but incorrect end_date (e.g. same as start_date via SINGLE-DAY RULE), the scraper's correct value is silently discarded.
Year anchor for date-less news scrapers
When a news-type scraper (google_news_rss, prtimes, nhk_rss, etc.) cannot extract a complete date from the article (i.e. the article only mentions a month/day or no date at all), embed the RSS pub_date as a year anchor in raw_description:
（記事配信日: YYYY年MM月DD日）
Insert this before the article body text. Without a year anchor, GPT may infer the wrong year (e.g. guessing 2024 when the correct year is 2026).
N日間 duration keywords
annotator.py SYSTEM_PROMPT Rule 10 covers N日間 → end_date = start_date + (N-1) days, but scrapers should also attempt self-resolution rather than defaulting to end_date = start_date:
import re
from datetime import timedelta
m = re.search(r'(\d+)日間', raw_description)
if m:
n = int(m.group(1))
end_date = start_date + timedelta(days=n - 1)
Similarly, N週間 → N × 7 days. Apply BEFORE falling back to end_date = start_date.
On-Demand / Viewing Period — detail page date extraction
When a listing table cell has only a term name (e.g. 2025年度 冬期 全4回) with no explicit date range,
the actual start/end dates are often embedded in the detail page body as (YYYY/MM/DD) or YYYY年MM月DD日.
Priority order for on-demand / date-less courses:
- Tier 1: Parse explicit date range from listing column (e.g.
07月04日～07月25日)
- Tier 2: Extract
(YYYY/MM/DD) or YYYY年MM月DD日 from detail page body — take earliest as start_date, latest as end_date
- Tier 3: Term fallback (
春期→4/1, 夏期→7/1, 秋期→10/1, 冬期→1/1 of next calendar year)
_DETAIL_DATE_PARENS_RE = re.compile(r"\((\d{4})/(\d{1,2})/(\d{1,2})\)")
def _extract_detail_dates(detail_soup):
text = (detail_soup.find(id="course") or detail_soup).get_text(" ", strip=True)
found = []
for m in _DETAIL_DATE_PARENS_RE.finditer(text):
found.append(datetime(int(m.group(1)), int(m.group(2)), int(m.group(3)), tzinfo=timezone.utc))
found.sort()
return (found[0], found[-1] if len(found) > 1 else None) if found else (None, None)
Always try detail page dates before term fallback — term fallback yields YYYY-01-01 / YYYY-04-01
which shows as "日期未定" on the web UI and misleads users.
Reference incident: 2026-05-14 — wuext_waseda event 30bdfc30「台湾と日本―興味の台湾案内」
had start_date=2026-01-01 (term fallback). Actual viewing period (2025/11/26)～(2026/04/30)
was in the detail body. Fixed in commit bacd4cd.
annotator or event.get("end_date") fallback — blind spot
The pattern annotation.get("end_date") or event.get("end_date") only rescues the scraper's value when GPT returns null. When GPT returns a non-null wrong value (most commonly SINGLE-DAY RULE: end_date = start_date), the or branch is never reached — the wrong value is written to DB. Fix: always embed the correct date range in raw_description (see § 開催日時: prefix above) so GPT never needs to fall back to SINGLE-DAY RULE in the first place.
Contentful CDA — 年度系列展日期 slug Fallback
問題：Contentful 年度系列展使用 scheduleStartsOn=YYYY-01-01 作為財年佔位符。
偵測：start_date.month == 1 and start_date.day == 1
修復：從 URL slug 末尾提取真實日期：
slug_m = re.search(r"/(\d{4}-\d{2}-\d{2})$", slug)
if slug_m and start_date and start_date.month == 1 and start_date.day == 1:
start_date = self._parse_date(slug_m.group(1))
驗證：乾跑後確認無事件 start_date 為 Jan 1。
Reference incident: 2026-05-05 — event 6a91a4ce (アジア美術の歩き方 東アジア編) scheduleStartsOn=2026-01-01 為佔位符，真實日期 2026-04-18 在 slug 末尾 (commit a1e58a9)。
URL Handling — Relative Path Guard
Rule: Every a["href"] value that may be a relative path must be converted via urljoin before storing in source_url or detail_url.
from urllib.parse import urljoin
source_url = urljoin(page.url, a["href"])
source_url = a["href"]
Incident: hakusuisha.py 的 ../news/n*.html 直接存入 DB（commit 1b344f7），導致 10 筆事件 source_url 404。
Auto-generated scraper 的 detail_url 補全規則（spec_to_code template 生成的 _extract_cards 模式）：
from urllib.parse import urljoin
if detail_url and not detail_url.startswith(("http://", "https://")):
detail_url = urljoin(page.url, detail_url)
BASE_URL 文字列結合は / 前導パスには機能するが ../news/n*.html 形式では {BASE_URL}/../news/... という無効 URL になる。urljoin(page.url, href) が唯一の正解。Incidents: cine_gallery.py 事件 cdf5e555（2026-05-14）; hakusuisha.py ../news/n*.html → 2026-05-30 c099bcb で修正。
BeautifulSoup 多行文字提取 — separator="\n"
Rule: 任何需要保留行結構的文字提取（排程、場次、地址、時間表等），必須使用 separator="\n"。
text = element.get_text(separator="\n", strip=True)
text = element.get_text(strip=True)
Incident: gguide_tv.py 排程文字缺 separator="\n"，時間資訊擠在一起（commit a895e07）。
Cinema scraper — end_date と business_hours 完全規則
適用対象: 全ての cinema scraper（category=["movie"] を持つ全 scraper）
分類ごとの実装パターン
日本の電影院 scraper は3タイプに分類される。タイプごとに end_date と business_hours の取得戦略が異なる。
Type 1: 票務平台分離型（例: starcat_cinema）
特徴: 主サイト（eiga.starcat.co.jp）は映画情報・あらすじのみ。場次時間と排片日程は別の票務平台（starcat-ticket.com など）に存在する。
end_date 規則: 日本の映画館は毎週木曜日に翌週（金曜〜木曜）の上映スケジュールを発表する。したがって:
end_date = 票務スケジュール内のその映画の最後の日（当週木曜）_build_ticket_schedule() は dict[str, tuple[str, Optional[datetime]]] を返す: (business_hours_str, last_date_utc)- 上映スケジュールに未登場の映画（未公開または上映終了）:
end_date = None
- 每次 CI 実行で
end_date は自動延伸（滚动视窗）
business_hours 規則: _build_ticket_schedule(ticket_url) から取得。形式: M/DD(曜): HH:MM〜HH:MM（複数日は \n 区切り）
raw_description 前綴必須規則（SINGLE-DAY RULE 防止）:
if start_date and schedule_end and schedule_end != start_date:
date_prefix = f"上映期間: {start_date.year}年{start_date.month}月{start_date.day}日〜{schedule_end.year}年{schedule_end.month}月{schedule_end.day}日"
参考実装: starcat_cinema.py — TICKET_SCHEDULE_URLS + _build_ticket_schedule() + _lookup_schedule_entry() + _lookup_end_date() + _lookup_business_hours()
Type 2: 排片表嵌入型（例: shin_bungeiza, cinemart_shinjuku, ks_cinema, rightscube）
特徴: 映画詳細ページ内に上映スケジュール（日付 + 時刻）が直接含まれる。
end_date 規則: max(dates in schedule) — スケジュール内の最終日
end_date = max(parsed_dates, default=None)
business_hours 規則: HTML スケジュール要素から直接抽出。常見容器:
div.schedule-program (shin_bungeiza)div.schedule-table / table.schedule (各映画館)dl.showtime / ul.times (単館映画館)p.nihon-date + div.program 組合せ (shin_bungeiza パターン)
日付ヘッダー（<h2> / <p class="nihon-date">）と上映時刻（<div class="schedule-program">）が別要素の場合は両者を組み合わせる:
business_hours = "\n".join(
f"{date_label}: {' '.join(times)}"
for date_label, times in schedule_map.items()
)
Type 3: 上映中リスト型（例: cineswitch_ginza, human_trust_cinema, uedaeigeki）
特徴: 現在上映中 / 近日公開映画のカード一覧ページ。詳細な場次時間は別ページまたは別プラットフォームに存在する。
end_date 規則: カードに "M/D まで" / "〜M/D" / "終映日：M/D" / "※M/D で上映終了" ラベルがある場合はそこから解析。ない場合は None（推測禁止）。
business_hours 規則: リストページに場次時間がない場合は None。ただし詳細ページに時刻がある場合は詳細ページを取得して抽出する（コスト対効果を考慮すること）。
共通禁止事項
end_date = start_date の扱い: cinema scrapers では原則として end_date = start_date を新たに作らない。end_date を持つ場合は少なくとも start_date + 1日 にする。例外は movie-extend 用の明示的 fallback だけで、その場合に限り end_date = start_date を許容する。（Incident: kyoto_cinema, 2026-05-20）- 空文字列
business_hours = "" 禁止: 場次が取得できない場合は None を設定。空文字列は DB に不要なデータを残す。
- 推測による
end_date 禁止: 「通常2〜3週間上映」などの仮定で end_date を算出してはいけない。ソースから取得できない場合は None。
- 視覚上に場次時間があるのに
business_hours = None は scraper bug: サイトを目視確認して時刻要素のセレクタを追加すること。
event_form=["screening"] 必須: 全 cinema scraper は event_form=["screening"] を設定すること。DB check constraint（migration 047）の valid 値: 'exhibition','screening','lecture','performance','market','workshop','conference','networking','screening_with_talk','tour','competition','tasting','broadcast','study_abroad','other'。"film_screening" は DB に存在しない（constraint エラー）。（Incident: kyoto_cinema・sakurazaka・kino_shinsaibashi・human_trust_cinema で "film_screening" を誤設定 → constraint 違反、commit で revert）
JST ISO datetime パース規則
一部 CMS（TTCG など）は data-date="2026-05-15T00:00:00+09:00" のような JST-aware ISO 文字列を出力する。.replace("+09:00", "") パターンは禁止 — JST offset を除去しても naive datetime が生成されるだけで UTC 変換にならない。
dt_jst = datetime.fromisoformat(data_date)
start_date = datetime(dt_jst.year, dt_jst.month, dt_jst.day, tzinfo=timezone.utc)
start_date = datetime.fromisoformat(data_date.replace("+09:00", ""))
Incident: human_trust_cinema commit 7849021。
Annotator SINGLE-DAY RULE 防護
raw_description に単一の日付しか含まれない場合、annotator は end_date = start_date と設定する（SINGLE-DAY RULE）。Cinema scraper では以下を守ること:
raw_description の前綴に必ず上映期間全体を記載する: 上映期間: YYYY年M月D日〜YYYY年M月D日- Type 1 scraper で
end_date が取得できた場合は前綴を期間表示に置き換える（単日 より公開 記述のまま放置しない）
- Type 3 で
end_date が取得不可の場合は date prefix を入れない: サイトに end_date 情報がない場合は、raw_description に日付前綴を追加しない。start_date はフィールドに正しく格納済みなので raw_description に繰り返す必要はない。（Incident: human_trust_cinema commit 7849021）
稽核表 ghost エントリ防止
稽核表に新行を追加する前に、ファイルの実在を確認すること:
ls scraper/sources/<name>.py
不存在のファイルを稽核表に記載すると後続の修復作業で混乱を招く。（Incident: ciemarine 行 — ファイル不存在のまま記載されていたため削除）
現況稽核表（2026-05-15 時点）
| Scraper | Type | end_date | business_hours | 状態 |
|---|
| cinemart_shinjuku | 2 | ✅ max(dates) | ✅ cineticket.jp | 完全準拠 |
| shin_bungeiza | 2 | ✅ h2 dates max | ✅ schedule-program | 完全準拠 |
| starcat_cinema | 1 | ✅ 木曜末日 | ✅ starcat-ticket.com | 完全準拠 |
| rightscube | 2 | ✅ THEATER区段 | ✅ business_hours_text | 完全準拠 |
| ks_cinema | 2 | ✅ 表格期間 | ✅ schedule_text (commit 23e417f) | 完全準拠 |
| kino_shinsaibashi | 3 | ✅ 終映日 | ❌ None（JS 驅動，Type 3 可） | 完全準拠（screening + prefix, commit 544bbc4） |
| kyoto_cinema | 3 | ✅ 終映日M/D; fallback=start_date（movie-extend 用） | ✅ homepage time slots | 完全準拠（screening + prefix, commit e91f5cd; movie-extend fallback, 2026-05-20） |
| cineswitch_ginza | 3 | ✅ M/D まで | ❌ None（Type 3 可） | 完全準拠（UTC fix, commit e91f5cd） |
| theater_enya | 3 | ✅ 期間文字 | ❌ None（Type 3 可） | 完全準拠（UTC fix, commit e91f5cd） |
| cinewind | 2 | ✅ YYYY/M/D | ❌ None（Type 2, 追加調査要） | UTC 修正済み（commit e91f5cd） |
| ciema | 2/3 | ✅ 週表頭 | ❌ None（Type 3 可） | 完全準拠（UTC fix, commit e91f5cd） |
| cinemadict | 2 | ✅ 完整期間（UTC fix） | ✅ date_text HH:MM（commit 544bbc4） | 完全準拠 |
| ycam_cinema | 2 | ✅ 節目期間 | ❌ None（Type 2, 追加調査要） | UTC 修正済み（commit e91f5cd） |
| sakurazaka | 3 | ✅ 上映中/予定 | ❌ None（Type 3 可） | 完全準拠（screening, commit e91f5cd） |
| uedaeigeki | 2 | ✅ 上映日程 | ❌ None（Type 2, 追加調査要） | UTC + prefix 修正済み（commit e91f5cd） |
| human_trust_cinema | 3 | ❌ None（サイト非公開, JS-driven） | ❌ None（同上） | UTC+event_form 完了（commit 7849021→revert）, end_date はサイト制限 |
| theater_kino | 2 | ✅ 静的HTML | ❌ None（Type 2, 追加調査要） | UTC + prefix 修正済み（commit e91f5cd） |
新規 cinema scraper 作成時は、上記稽核表に行を追加すること。
Incidents:
- shin_bungeiza（commit
1ffb98e）— _parse_nihon_date_only() が <h2> 日付のみ取得し <div class="schedule-program"> の場次時間を無視。
- starcat_cinema（2026-05-15）— 主サイトに場次なし →
starcat-ticket.com から別途取得。end_date=None が annotator SINGLE-DAY RULE で start_date に上書きされた。
auto_qa 地名關鍵字設計規則
TAIWAN_VENUE_KEYWORDS 必須使用完整行政單位名（台北市、新北市），禁用裸縮寫（台北、新北）以避免日本地名假陽性- 新增關鍵字前：
grep -rn "<keyword>" scraper/sources/ 確認不在任何已知日本地名中
- 假陽性無法靠 dismiss 解決：dedup 邏輯在
updated_at > confirmed_at 時重新觸發；根治需修正關鍵字
Reference incident: 2026-05-05 — '新北' 匹配大阪市 新北島，event 371cf624 (GRAFFYHALL) 連續三次 auto_qa_taiwan_venue (commit 6b7174a)。
_extract_after_label() を使う構造化テキスト scraper の _STOP_LABELS 管理
_extract_after_label(text, label_re) は _STOP_LABELS に登録された語で抽出を打ち切るが、同一行に出現しうる全ラベルが未登録だと venue_raw に発表者・対象者情報が混入する。
Rule: _STOP_LABELS は「同一行に現れうる全ラベル」を網羅すること
# 典型的な早稲田台湾研究所ソース行：
場所：〇〇教室 講演者：郭智輝氏（...） モデレーター：久保克行 対象：学生・一般
講演者/モデレーター/対象 が _STOP_LABELS に未登録だと、venue_raw が 〇〇教室 講演者：郭智輝氏... 対象：... になり、会場: {venue_raw} として raw_description に混入 → annotator が全テキストを location_name に格納する。
学術イベント系 raw_description 構成ルール
講演者/モデレーター が存在する場合、raw_desc_parts に独立したエントリとして追加する：
speaker_raw = _extract_after_label(content, r"講演者")
moderator_raw = _extract_after_label(content, r"モデレーター")
raw_desc_parts = []
if date_raw: raw_desc_parts.append(f"開催日時: {date_raw}")
if venue: raw_desc_parts.append(f"会場: {venue_raw[:200] or venue}")
if speaker_raw: raw_desc_parts.append(f"講演者: {speaker_raw}")
if moderator_raw: raw_desc_parts.append(f"モデレーター: {moderator_raw}")
会場: 行に発表者情報を混ぜると annotator は performers を正しく抽出できない。
Reference incident: 2026-05-30 — waseda_taiwan event 75a46729、_STOP_LABELS 未登録で venue に発表者混入 (commits 0604a6f, b3be645)。
Performer Job Title Guard
Rule: performer 欄位只能填人名，不可填職稱/職業描述。
下列詞彙單獨出現時必須視為職稱並設 performer = null：
- 日語職稱：
シェフ、料理人、講師、先生、司会、ゲスト、ホスト、演者、指揮者、伴奏者
- 中文職稱：
主廚、老師、講師、主持人
判斷規則：
performer 字串若只含職稱詞且無可辨識人名（CJK 人名 ≥ 2 字、或拉丁姓名）→ 設 null_extract_performer_from_raw() 的 role list regex 命中後，必須確認後方緊跟的是人名而非獨立職稱
Regex guard 範例（加在 _extract_performer_from_raw 最後）：
_JOB_TITLE_ONLY_RE = re.compile(
r"^(シェフ|料理人|講師|先生|司会|ゲスト|ホスト|演者|指揮者|伴奏者|主廚|老師|主持人)$"
)
if _JOB_TITLE_ONLY_RE.fullmatch(candidate.strip()):
return None
Reference incident: 2026-05-08 — 湾.味(ワンウェイ) 台湾料理体験会 performer='シェフ' 應為 null。
ZERO_EVENT_OK_SOURCES — 偶發性 scraper 零事件豁免
Rule: 合法情況下絕大多數時間返回 0 events 的 scraper，必須加入 health_check.py 的 ZERO_EVENT_OK_SOURCES 集合，避免 CI 每日觸發假「missing」警告。
加入標準（三項全符合）：
- Scraper 邏輯已驗證正確（dry-run 通過、已 commit）
- 台灣相關內容為偶發性（年 0–3 次，如藝廊特展、部分影院）
- 0 events 是預期行為，不代表爬蟲失敗
反模式：不應因「通常有 0 events」就忽略加入此集合——遺漏會導致每次 CI 都需人工確認雜訊。
實作位置：scraper/health_check.py → ZERO_EVENT_OK_SOURCES: set[str]
Reference incident: 2026-05-08 — whitestone_gallery 加入 ZERO_EVENT_OK_SOURCES（台灣藝術家展覽為偶發性）。
organizer_zh/en FC 跨事件污染偵測
Rule: organizer_zh/organizer_en 若含有在 raw_title + raw_description 中完全找不到的內容，即為 FC 跨事件污染（cross-event field_corrections pollution）。
污染機制：annotator 的 few-shot context 中，若前一事件的 FC 資料帶入了 organizer_zh/en，GPT 可能將該值套用到當前事件——即使兩者完全無關。annotation_status = annotated 不會重新觸發驗證，因此污染可長期潛伏。
偵測查詢（定期執行）：
SELECT id, organizer_zh, organizer_en, source_name
FROM events
WHERE organizer_zh IS NOT NULL
AND raw_description NOT ILIKE '%' || split_part(organizer_zh, ' ', 1) || '%'
AND raw_title NOT ILIKE '%' || split_part(organizer_zh, ' ', 1) || '%'
LIMIT 50;
修正流程：確認污染後，field_corrections で organizer_zh・organizer_en を FC lock（annotator の再上書き防止）。
- source に正式な中国語名がある場合 → 正しい値を設定して FC lock。
- source に信頼できる中国語名が存在しない場合 →
null に設定して FC lock（幻覚値より null が安全。UI は organizer（ja）へ fallback する）。
追加検出サイン：organizer_zh 値に （AI翻訳） / （AI翻譯） サフィックスが含まれる場合は即 null クリア + FC lock。⚠️ auto_qa.py _detect_performer_ai_marker は performer_zh/en + category=movie 限定であり organizer_zh は自動検出されない。定期的に以下 SQL で補完すること：
SELECT id, organizer_zh, source_name
FROM events
WHERE is_active = true
AND (organizer_zh LIKE '%AI翻譯%' OR organizer_zh LIKE '%AI翻訳%')
LIMIT 50;
Reference incidents:
- 2026-05-08 —
fe03288b/b8621ee9（湾.味 台湾料理体験会）organizer_zh/en 含上田村振興会・普門寺資料，與 raw_description 完全無關。
- 2026-05-30 —
fb12bfa7（台湾茶ゲームイベント / kokuchpro）同一の 上田村振興会・普門寺（AI翻訳） が再発。raw_description は「語学スクール」のみ。organizer_zh/en = null + FC lock で対応。location_name・location_address も kokuchpro 構造フィールド（会場:/住所:）から正値に修正。
Frontend Client Component — UTC 日期表示一貫性ルール
Rule: DB に保存された timestamp は UTC。Next.js の client component で new Date(dateStr) を使う場合、ブラウザの TZ が UTC でなければ getDate() / getMonth() はローカル時間で評価される。JST（UTC+9）では UTC 15:00 が翌日 00:00 に見えて日付が 1 日ずれる。
修正パターン:
const d = new Date(dateStr)
const day = d.getUTCDate()
const month = d.getUTCMonth() + 1
const year = d.getUTCFullYear()
d.toLocaleDateString("ja-JP", { timeZone: "UTC", month: "short", day: "numeric" })
const day = d.getDate()
d.toLocaleDateString("ja-JP", { month: "short", day: "numeric" })
対象: client component 内で Date オブジェクトを生成・操作する全コード。SSR（Node.js は UTC 環境）との整合性のために必須。
根本原因: 爬蟲が JST 時間を +00:00 として保存（tzinfo=timezone.utc）しているため、DB の 2026-06-13T00:00:00+00:00 は実際には JST 2026-06-13 09:00（問題なし）だが、scraper によっては深夜値（15:00 UTC = 翌日 00:00 JST）が混入する可能性がある。Client side では常に UTC で読む実装が最も安全。
Reference incident: 2026-05-12 — EventListClient.tsx / MovieWorksList.tsx の getDate() が JST ブラウザで 1 日ずれ → getUTCDate() + { timeZone: "UTC" } に修正。
Rule: 聚合站 scraper（ftip、prtimes、gnews、walkerplus 等）的 source_url 必須永遠保留聚合站自身的 URL。從文章中提取的第一方主辦方 URL 存入 official_url，不可覆寫 source_url。
正確分工：
source_url = 聚合站頁面 URL（https://www.ftip-japan.org/NNN、https://prtimes.jp/...）— 資料溯源憑證official_url = 提取的第一方官方 URL（活動官網、Facebook event 頁、主辦方網站）；無法提取時為 None
常見提取模式（ftip content 中的 公式サイト 格式）：
_OFFICIAL_URL_RE = re.compile(
r"公式サイト\s+(https?://\S+|[\w.-]+\.\w{2,}(?:/\S*)?)",
re.IGNORECASE,
)
def _extract_official_url(self, content: str) -> str | None:
m = _OFFICIAL_URL_RE.search(content)
if not m:
return None
url = m.group(1)
if not url.startswith("http"):
url = "https://" + url
return url.rstrip("。、）")
✅ 正確模式：
source_url = rss_link
official_url = self._extract_official_url(content)
❌ 反模式（已廢棄）：
source_url = self._extract_official_url(content) or rss_link
Reference incidents:
- 2026-05-10 commit
ab771e2 — ftip.py 首次修正誤以「官方 URL 較有資訊量」讓 source_url 指向 www.taiwanprism.com，破壞 FTIP audit trail
- 2026-05-10 commit
7c34788 — 更正為正確模式：source_url=ftip-japan.org/699、official_url=taiwanprism.com，DB 事件 023dcbec 同步修正
M/D~D 多日範圍 — end_date 提取與跨月防護
Rule: 日期字串含 ~（如 8/30~31）表示多日活動，必須同時提取 start_date 和 end_date。
實作範例：
_END_DAY_RE = re.compile(
r"(\d{1,2})/(\d{1,2})~(\d{1,2})(?![/])"
)
def _parse_date_range(self, text: str, year: int) -> tuple[date | None, date | None]:
m = _END_DAY_RE.search(text)
if m:
month, start_day, end_day = int(m.group(1)), int(m.group(2)), int(m.group(3))
return date(year, month, start_day), date(year, month, end_day)
return None, None
跨月防護：(?![/]) 確保 ~ 後面不接 /。若接 /（跨月，如 3/10~5/31），跳過 end_date 提取，避免把月份誤解為日數。
正確/錯誤案例：
8/30~31 → start=8/30, end=8/31 ✅3/10~5/31 → (?![/]) 命中，不提取 end_date ✅（正確放棄）- 無
~ → 僅提取 start_date，end_date=None ✅
Reference incident: 2026-05-10 — ftip.py 事件 023dcbec（台湾光譜 8/30~31）start_date 回退到 RSS pubDate，end_date 未設定（commit ab771e2）。
location_address 硬編碼城市名 — 反模式
Rule: 以城市名（"東京都"、"大阪"、"京都"）作為全國性組織的 location_address fallback 是反模式，必須禁止。
為何危險：
- GPT annotator 信任 scraper 提供的非 null
location_address（_ai_or_existing() 只在值為 null 時才詢問 GPT）
- 錯誤城市名寫入 DB 後，即使活動實際在其他縣市，
location_prefectures 也會被錯誤推斷
- 讓使用者在地圖/篩選功能中看到錯誤地點
正確做法：
location_address = self._extract_venue_address(content) or None
location_address = "東京都"
例外（允許硬編碼）：scraper 專屬於單一地點的場館（固定影院、固定展覽館）時，可硬編碼該場館地址。
Reference incident: 2026-05-10 — ftip.py location_address = "東京都" 導致台湾光譜（京都活動 〒603-8163 京都府...）被錯誤標為東京（commit ab771e2）。
note_creators レポート記事・結果発表 — report カテゴリ自動注入パターン
Rule: note_creators 來源的レポート記事には必ず三つの問題が発生する。検出時は以下の三点を一括修正し、FC 鎖定すること。
三重問題（全件に発生）：
start_date = 記事公開日（≠ 活動日）：記事が公開された日が自動的に start_date に入り、実際の開催日（1〜数ヶ月前）と異なる。本文中の「〇月〇日開催」「〇月〇日に参加」等から正しい日付を特定すること。location = 主催者の日本拠点：主催者が日本に拠点を持つ場合、annotator がその住所を location として設定する。実際の活動場所（特に台灣で開催の場合）を確認し、location_address / location_prefectures を null に修正。- 接頭辭 +
report category 欠如：annotator.py の _REPORT_TRIGGER_RE が自動注入する（commit 1e00933 + d0eb93e 以降）。検知キーワード：レポート・レポ・報告・記録・アーカイブ・recap・行ってきた・観てきた・見てきた・鑑賞レポ・結果発表。注入時 ja 名称がすでに 【...】 で始まる場合は 【レポート】 を重ねない（_inject_report_prefix の二重括弧ガード）。既存 annotated events には Supabase SQL で report を追加後 python annotator.py --backfill-report-prefix を実行。
FC 鎖定対象（計 9 項）：start_date、location_name、location_address、location_prefectures、name_ja、name_zh、name_en、categories
自動化範囲（annotator.py commit 1e00933 以降）：report category 注入 + 三語接頭辭注入は自動処理。start_date / location の修正は human review 必須。
Reference incident: 2026-05-10 — event a7a05be6（台湾薬膳文化体験レポート）start_date=2026-05-08（記事日）→ 修正後 2026-04-21（活動日）；location_name=台湾華語文学習センター大阪弁天町（主催者拠点）→ 修正後 台北医学大学（活動場所、台灣）。
RSS/Podcast scraper-specific
- Normalize
& in RSS link text before regex: RSS <link> text nodes may contain HTML-entity-encoded & even after XML parsing (double-encoded by the origin server). item.find("link").text can return "...?uid=4&pid=103701". Any regex on the raw text will miss &pid=. Always normalize: link = link_raw.replace("&", "&") before extraction. Apply to both source_url construction and any _extract_pid()-style function. (Incident: rti_jp 0 events, 2026-05-14.)
- XML Element truth value — always use
is not None: if element: on an xml.etree.ElementTree Element is always True (DeprecationWarning since Python 3.8). Write element is not None and element.text instead.
STALE_DAYS guard for podcast/RSS scrapers: For scrapers that loop over a curated list of program IDs, check the latest episode's pubDate before iterating all items. If it exceeds STALE_DAYS (e.g. 90), the program is discontinued — skip to avoid a full-page fetch that returns 0 events:
STALE_DAYS = 90
latest_pub = _parse_pubdate(items[0].find("pubDate").text)
if latest_pub and (now - latest_pub).days > STALE_DAYS:
logger.info("rti_jp: id=%s latest episode %dd old — discontinued", pid, age)
continue
LOOKBACK_DAYS must match broadcast frequency: Weekly programs → 14d is sufficient. Monthly programs → 60d minimum. If a program's cadence is unknown, default to 60d.
Peatix-specific
- Blocked organizer patterns live in
BLOCKED_ORGANIZER_PATTERNS in peatix.py — always check before adding new title-based blocks.
- 台東区 false positive:
台東 in TAIWAN_KEYWORDS can match the Tokyo ward 台東区. Use _TAIWAN_KW_NO_TAITO guard list.
- Locale-prefixed URLs must be normalized before
page.goto(): Peatix redirects to /us/event/{id} or /jp/event/{id} depending on browser locale. Strip the prefix in both the collection stage (_search_events/_scrape_group_events) AND _scrape_detail() so source_url is always https://peatix.com/event/{id}.
(Incidents: peatix e9c6f80b 2026-05-17, 55d766ae 2026-05-19.)
inner_text() length guard for short-string fields: Playwright inner_text() on a group anchor or any interactive DOM element can return the entire page content (e.g. starting with "Translate this page...") instead of just the element text. Always add a length guard for fields expected to be short:
if _txt and len(_txt) <= 100
Without this guard, a multi-thousand-character blob silently passes through to organizer_name, performer, location_name etc. Apply to both primary extraction path and any fallback path. The threshold should be ≈2–3× the expected maximum (organizer/location names: ≤ 100). (Incident: peatix organizer f839508, 2026-05-19.)- "Extract but not store" anti-pattern: When a field is extracted for one purpose (e.g. blocklist checking), ensure it is also passed to
Event(). Forgetting to include it in the constructor causes the field to always be null in DB — silent failure, no error. Before submitting a PR, cross-check all extracted variables against Event() constructor arguments. Pattern: organizer=organizer_name or None. (Incident: peatix organizer_name always null — commit 24198d0, 2026-05-19.)
- Three-layer organizer architecture:
- Layer 1: keyword search (
peatix.com/search?q=...)
- Layer 2: hardcoded organizer list in
_ORGANIZERS — never remove; serves as backup if DB changes
- Layer 3: DB-driven dynamic load via
_load_db_organizers() — queries research_sources WHERE agent_category='peatix_organizer' AND status='implemented'
- Layer 3 expansion rule: When extending Layer 3 to a new platform, use a platform-specific
agent_category (e.g. peatix_organizer). Do NOT reuse note_creator or generic names.
- Group page scraping:
_scrape_group_events() fetches peatix.com/group/{group_id}/events; group_id extracted from source_profile.group_id or URL path.
- Validation:
python discovery_accounts.py --dry-run --slot 3 to verify Peatix slot without DB writes.
- ⚠ React SPA 遅延レンダリング問題: Peatix は React SPA。
networkidle 発火後も .event-description 内容が数十ms 遅延してレンダリングされる場合があり、description_ja が None → raw_description が日付 prefix のみになる。
- 検出:
raw_description の長さが 50 字未満かつ内容が 開催日時: のみ → 「汚薄 raw_description」と判定。
- 対処フロー: Playwright で再取得 →
raw_description パッチ → annotation_status = 'pending' → annotator.py --source-ids <source_id> で手動実行。
- (Incident: peatix
ee17c509 2026-05-30)
- performer vs organizer 区別: Peatix ページの「By ‹名前›」=
organizer（主催者）。イベントを実施するアーティスト/動作者 = performer。GPT が両者を入れ替える可能性があるので、日本語淡化語（「夫婦」「ユニット」など一般名詞）が performer に入っていたら手修正 + FC lock。(Incident: peatix ee17c509 performer='夫婦' → 'Floti Studio' 2026-05-30)
performers 一般名詞ガード: performers に「夫婦」「カップル」「グループ」等の一般名詞が入っていたらアーティストの固有名（ユニット名・人名）に修正 + FC lock が必須。annotator は raw_description のカタカナ/漢字をそのまま取り込むため、一般名詞を固有名詞と誤認することがある。(Incident: peatix ee17c509 performers=['夫婦'] → ['Floti Studio'] 2026-05-30)- 英語ブランド名 → performer_zh/en は翻訳不要: Floti Studio 等の英語固定名称は
performer_zh も performer_en も同じ値を設定。GPT は英語名を繁体中文に翻訳しようとして null を返すことがある。手動補完 + FC lock が必要。(Incident: peatix ee17c509 2026-05-30)
- 英語ブランド名 → organizer_zh/en も同様:
organizer 値が英語固定商標の場合、organizer_zh/en も翻訳不要—同じ値を FC lock。翻訳しようとした GPT が （AI翻譯） マーカー付きで格納する場合もある。判定基準: organizer 値の文字が全て ASCII / アルファベット → organizer_zh/en = organizer。(Incident: iwafu a4442567 QUEEN SHOP 2026-05-31)
- 専用イベントページ非存在時の URL 設定: Peatix が
source_url の場合、SNS リンクの設定先は次のルールに従う:
- 演者の Instagram/SNS →
performer_url（単一演者）または performer_urls[]（複数演者、インデックスは performers[] と対応）
- 主催者の SNS/公式サイト →
organizer_url
official_url = 専用イベントページ URL のみ。SNS を official_url に設定するのは非推奨（performer_url / organizer_url を優先）。専用ページが存在しない場合は official_url = null。- ⚠ 旧ルール廃止:
performer_url 新設（migration 078、2026-05-30）以前は演者 Instagram を official_url に設定していたが、現在は performer_url に設定し official_url は null のままにする。
- (Incident: peatix
ee17c509 旧: official_url='https://www.instagram.com/flotistudio/' → 新: performer_url='https://www.instagram.com/flotistudio/' + official_url=null 2026-05-30)
iwafu-specific
- Global-tour false positive: If description contains
台湾など世界各地 / 全国各地.*台湾 etc., the event is a nationwide/global tour where Taiwan is just one stop. Reject it — it is NOT a Taiwan-themed event. The _GLOBAL_TOUR_PATTERNS regex in iwafu.py implements this guard.
- Title-level block: Known IP series (e.g.
リアル脱出ゲーム×名探偵コナン) must be blocked by _BLOCKED_TITLE_PATTERNS in _scrape_detail before the page load — this catches all tour stops as new source_ids appear. Add new entries here when a series is confirmed non-Taiwan-themed.
- Permanent IP series block: For series where ALL events are non-Taiwan-themed (e.g.
名探偵コナン), add the IP name to _BLOCKED_SERIES. Checked on BOTH card title (pre-load, fast-reject) AND h1 title (post-load). Card titles from search results can be truncated, so the pre-load check alone is not sufficient.
- Taiwan relevance criterion: Taiwan must be the theme or primary focus, not just one venue on a multi-city tour.
organizer_url enrichment: iwafu ソースページは主催者の公式サイト URL を常に含むわけではない。ブランド商標の場合は raw_description 内の extract_first_party_url() で抽出を試みるか、公式サイトを手動で FC 設定すること。organizer_url を設定すると UI に「主催者名 ↗」リンクが自動表示される。(Incident: a4442567 QUEEN SHOP 2026-05-31)- 小売 / モールイベントの
business_hours: デパート・ショッピングモールの定常営業時間はイベント固有ではなく venue-level データ。venues テーブルに business_hours カラムが存在しないため、現状は手動 FC 修正で対応。将来的には venues.business_hours カラム（migration 必要）+ enrich_location.py から自動取得する設計。UI 側は event.business_hours 存在時の表示に既対応済み。
- ⚠️ 必ず公式 venue サイトを確認してから FC 設定。推測・常識での設定は誤りの原因（Incident:
a4442567 ルミネエスト 11:00〜22:30 と推測設定 → 実際は平日 11:00〜21:00 / 土日祝 10:30〜21:00 だった）。
- 参考: ルミネエスト新宿（2026-05）ショッピング: 平日 11:00〜21:00 / 土日祝 10:30〜21:00、レストラン: 11:00〜22:00。
- After adding a scraper filter, always audit the DB: run
ilike("raw_title", "%keyword%") to find existing records that should also be deactivated. The filter only prevents future inserts.
- Hard delete vs deactivation: If an IP series is confirmed permanently non-Taiwan-themed, hard delete (
table.delete().eq("id", eid)) rather than just deactivating. Deactivated events remain accessible via direct URL unless the event page also checks is_active.
- location_name / location_address: Extract from
場所[：:]\s*(.+?)(?:\n|交通手段|Q&A|https?://|$) in main_text.
location_name = the venue name captured from 場所：.location_address = search the surrounding text with _ADDR_RE (matches 〒 or prefecture+city+street pattern). If a real address is found AND it differs from the venue name, use it; otherwise set None. NEVER set location_address = location_name — identical values are flagged by auto_qa_address_is_venue_name and violate the Sub-Venue Parent Address Rule (sub-spaces like SC 広場 need the parent building's address, not the sub-space name).- Fall back to
card.prefecture for location_address only when the 場所： label is absent. Never store bare prefecture names (e.g. "東京") as the address.
Venue / live house scrapers — management post blocklist
For scrapers on live houses / venue sites (e.g. moonromantic), the site publishes both public event listings and internal venue-management posts (rental announcements, wedding inquiries, system maintenance). These are NEVER Taiwan-related.
eiga_com-specific
- Per-theater granularity: One event per theater per movie.
source_id = eiga_com_{movie_id}_{theater_id}. Each daily run upserts and updates end_date to the last date in the current week's schedule.
- URL flow:
/movie/{id}/theater/ → area links /movie-area/{id}/{pref}/{area}/ → div.movie-schedule[data-theater] + .more-schedule a.icon.arrow → /movie-theater/{id}/{pref}/{area}/{theater_id}/ (address).
a.icon.arrow is the all-schedule link: The .more-schedule div has 3 links — copy (/mail/), print (/print/), all-schedule (bare /{theater_id}/). Always use a.icon.arrow; the first a[href*='/movie-theater/'] is the /mail/ link.- Address extraction: Use
table.theater-table th:contains("住所") + td on the theater page. Call a_tag.decompose() on all <a> children before get_text() to strip "映画館公式ページ". Never use page-wide address regex — JS code can contain 東京都 fragments.
- Fallback event: If no area links found, emit one movie-level event with
source_id = eiga_com_{movie_id} and location_name=None.
Thin Pointer Article Detection — General Rule (all scrapers)
任何 scraper 遇到「薄內容指引文」時，應主動抓取外部 ref URL 補充 raw_description。
偵測條件（兩者同時成立）：
len(body_text) < N（各 scraper 自行設定閾值，koryu 使用 600 chars）- body_text 包含非本站的外部 HTTP URL
處理流程：
- 提取外部 URL（正則排除本站 domain）
- 呼叫
fetch_ref_text(ref_url) — 已在 base.py 實作，直接 import 使用
- 追加到 raw_description：
[参照ページ ({ref_url})]:\n{ref_text}
date_prefix 改用 記事投稿日: 而非 開催日時: — 避免 GPT 把文章發布日當活動日
薄內容指引文的典型特徵：
- 組織公告：「弊社は XX イベントを後援します。詳細は URL をご確認ください。」
- 新聞式 RSS 摘要：只有標題＋一句描述＋原文連結
- 公募通知：只說明有公募，所有細節在外部網站
通用函數：from .base import fetch_ref_text
fetch_ref_text(url, max_chars=3000) — requests + BeautifulSoup，selector 優先序：main > article > body- 回傳
None 表示失敗或內容 < 200 chars
Annotator-side thin content detection（annotator.py）：
- Playwright 文章 fetch 觸發條件：
not start_date OR len(raw_description) < 400 chars
- 常數：
_GNEWS_THIN_DESC_CHARS = 400
- 實作：inner 函數
_gnews_needs_article_fetch(e) — gnews_needs_fetch 計數與 per-event trigger 統一使用此函數
- 適用來源：目前僅
google_news_rss（使用 Playwright 跟進 Google News redirect）
- 注意：手動修正 start_date 後重新 annotate 時，若 raw_desc 仍短，fetch 仍會觸發 → 確保 GPT 看到完整文章
- 原則：「start_date 有值」不代表「描述足夠豐富」，薄內容偵測邏輯應在 scraper 和 annotator 兩層都套用
Thin Content Detection — Applicability Matrix
| Source | Scraper-side fix | Annotator-side fallback | Reason |
|---|
| google_news_rss | pub_date anchor + Playwright (in annotator) | ✅ _GNEWS_THIN_DESC_CHARS=400, Playwright | RSS snippet only; Google redirect URL |
| koryu | fetch_ref_text() for pointer articles | — (scraper handles) | Pointer articles < 600 chars + external URL |
| nhk_rss | pub_date anchor + fetch_ref_text(article_url) | ✅ _NHK_THIN_CHARS=400, requests-based | RSS snippet always < 200 chars |
| doorkeeper | N/A | N/A | API returns full description |
| connpass | N/A | N/A | API returns full description |
| iwafu | N/A | N/A | Visits detail page |
| arukikata | N/A | N/A | Fetches full article (BS4) |
| peatix | N/A | N/A | Visits detail page (Playwright) |
| taiwan_cultural_center | N/A | N/A | Visits detail page (Playwright) |
| hakusuisha | skip_tags HTMLParser + 8000 char limit in _fetch_detail_text_fallback() | ✅ thin-content rescue when source_name == "hakusuisha" and 日時 absent in raw_description | JS/nav content consuming 2000-char budget; ■日時: typically appears after char 2000; raised from 4000→8000 (commit a0292a2) |
| taioan_dokyokai | N/A | N/A | Visits detail page (Playwright) |
| taiwan_kyokai | N/A | N/A | Visits detail page (Playwright) |
| taiwan_festival_tokyo | N/A | N/A | Structured widget, not article-based |
| ide_jetro | N/A | N/A | date_prefix fix sufficient |
Rule: Only apply thin-content detection when the scraper stores a snippet (RSS/headline) and the full content lives at a separate URL. API-based and detail-page-visiting scrapers are inherently complete.
Auto-generated Scraper Date Accuracy
auto_generate が生成した FIELD_SELECTORS["date"] が指すセレクタは、記事公開日（publication date） を指している場合がある。プロモーション審査時に必ず確認すること。
確認ステップ
- listing page の HTML を実際に開き、
FIELD_SELECTORS["date"] のセレクタが何を取得するか確認する（span.note、.date、time[datetime] 等）。
- 取得した値が「記事公開日」か「活動日」かを目視確認（
YYYY.MM.DD 形式は公開日の可能性が高い）。
- 活動日が detail page の
日時： / 開催日時： ラベルに存在する場合は、listing page の selector を使わずに detail page から抽出すること。
活動日が detail page にある場合の実装パターン
raw_description プレフィックスルール
日時 ラベルあり → 開催日時: YYYY年MM月DD日 プレフィックス（GPT annotator への明確なシグナル）日時 ラベルなし（公告・お知らせ文）→ （記事投稿日: YYYY年MM月DD日） 年号アンカー
対象
auto_generate で生成されたすべての scraper のプロモーション前に FIELD_SELECTORS["date"] を人工審査すること。Playwright ベースのスクレーパー（detail page を訪問する）でも、listing page の date selector が残っている場合は要確認。
Reference incident: 2026-05-04 hakusuisha FIELD_SELECTORS["date"] = "span.note" → 記事公開日を取得（活動日ではない）（commit b3708e1）。
Auto-generated Scraper — Body Text Limit
Rule: auto-generated scraper の body.inner_text() および HTTP fallback のスライス上限は 最低 8000 字元 を使うこと。4000 字元では nav / header ノイズに予算を消費され、イベント本文の ■日時: / 会場: / 主催: が切り捨てられる。
full_description = body.inner_text()[:4000]
full_description = body.inner_text()[:8000]
Incident: hakusuisha.py — nav menu が 2000+ 字消費し、■日時： を截斷点の外に押し出した（commit a0292a2）。
Self-injected Prefix Interference
Rule: scraper が raw_description 先頭に 開催日時: YYYY年MM月DD日 等のプレフィックスを追加する前に、日時/会場/主催の regex 抽出を完了させること。
問題：_JITSU_RE = re.compile(r"日時[:：]") は 開催日時: にもマッチする。scraper が自己注入したプレフィックスを先に検索すると、group(1) がプレフィックスの日付テキスト（時間なし）になり、後続の _TIME_RE が正文の時間 (HH:MM〜HH:MM) を永遠に見つけられなくなる。
raw_description = f"開催日時: {date_str}\n\n{full_description}"
m = _JITSU_RE.search(raw_description)
m = _JITSU_RE.search(full_description)
raw_description = f"開催日時: {date_str}\n\n{full_description}"
代替解法：日時[：:] の代わりに [■◆●▼]\s*日時[：:] で検索（行頭の記号を要求）するか、_TIME_RE（\d{1,2}:\d{2} を含む時刻パターン）で full_description を直接検索して前綴を回避する。
Incident: hakusuisha.py — _JITSU_RE.search() が 開催日時: 2026年4月26日 プレフィックスにマッチし、_TIME_RE が正文の 14:00〜16:00 を見つけられなかった（commit a0292a2）。
Auto-Generate Scraper — Date Field Accuracy Check
FIELD_SELECTORS["date"] が正確なイベント開催日を返すか検証する手順：
- ブラウザで listing ページを開き、カード上の日付テキスト要素を inspect
- その日付が「記事投稿日」「更新日」「公開日」のラベルに付いていれば ⚠️ 要注意
- detail ページの本文に
日時： / 開催日： / 期間： ラベルがあればそちらを使う
- 修正パターン：
_JITSU_RE = re.compile(r"[■◆●▼]?\s*日時[：:]\s*(.{5,150})", re.MULTILINE)_FULL_YMD_RE = re.compile(r"(\d{4})年(\d{1,2})月(\d{1,2})日")_END_DAY_RE = re.compile(r"[・/／]\s*(\d{1,2})日")- 参照実装：
scraper/sources/hakusuisha.py の _extract_event_dates()
end_date も同時に設定すること（「・DD日」パターンで終了日が取れる場合が多い）
学術場地括弧地址模式
日本學術研討會的 location_name 有時包含完整郵遞區號地址於括號中：
南山大学 Q棟103教室 (〒466-8673 名古屋市昭和区山里町18)
scraper 的 _extract_venue() 應優先識別 [（(](〒\d{3}-\d{4}...) 模式，提取為 location_address 並從 location_name 中去除括號部分。
已實作：scraper/sources/taiwanshi.py 作為參考實作。
note.com RSS 截斷處理
note.com RSS <description> 約在 140 字截斷，末尾可能為「続きをみる」（endswith，非 equals）。
當 _is_truncated(plain_desc) 為 True 時，_parse_item() 呼叫 _fetch_article_content() 取得全文（JSON-LD articleBody / description / BeautifulSoup p fallback）。
已實作：scraper/sources/note_creators.py → _fetch_article_content() helper。
無需 Playwright，標準 requests.get() 即可。
Note Creator Source Guard（二手聚合源截斷修復模式）
問題模式
- note.com RSS preview 以
...続きをみる 結尾（endswith，非 equals）→ 舊 truncation guard plain_desc in ("続きをみる","") 漏判 → _fetch_article_content 永不呼叫
- 全文中含「🔗詳細・申込み」embedded official URL 未萃取
- 投稿者 creator DB metadata location（如教室地址）套到外部活動公告 →
_auto_lock_location 自動 FC 鎖定錯誤地點
修復設計（note_creators.py + base.py）
_is_truncated(text): text.endswith("続きをみる") or len(text) < _NOTE_THIN_CHARS(120)extract_first_party_url(body, exclude_hosts) in base.py（共用）: 從全文萃取 official URL，排除報名平台（peatix/forms.gle/google/linktr.ee）；優先「🔗詳細/申込/公式」標記附近 URL- A2b: 當
official_url 為外部機構域（非報名平台）→ 設 effective_location_name=None 抑制投稿者 metadata location，讓 _auto_lock_location 跳過上鎖（if not event.location_name: continue）
tw_insecure_domain(url) in base.py（共用）: host endswith .edu.tw/.gov.tw → True（fetch_ref_text verify=False）fetch_ref_text(url, verify_ssl=True) in base.py: 新增 verify_ssl 參數；既有 caller 預設 True，行為不變- A3 fail-safe: ref fetch 失敗 / < 200 字 → fallback 回 note 全文，永不阻斷活動建立
- OWASP: verify=False 僅限
.edu.tw/.gov.tw 白名單域
LOCATION GATE 說明（annotator 不停用主事件）
annotator 的 LOCATION GATE（SYSTEM_PROMPT）是給 GPT 的指示文字，NOT Python code。
主事件 update_data 完全不含 is_active——re-annotate 不會停用主事件。
LOCATION GATE 僅影響 selection_reason 品質。正確設定 study_abroad/tourism 等 category 是資料正確性問題，非「過 gate 求存活」。
DB 修復模式（FC-first-then-annotate）
- FC 鎖定所有結構欄位（category/event_form/official_url/organizer/location_*）
- 寫入 enriched raw_description（note 全文 + 原始頁摘要）後設 annotation_status=pending
- 跑一次 annotator（不帶 --id，保留 P0 non-null 保護）自動生成三語；FC 欄位被還原不被覆寫
note.com creator 追加手順（2 ステップ必須）：
CREATOR_META に {"slug": "<creator_slug>", "category": "<category>", "location": "<prefecture>"} を追加- DB
research_sources の対応行を status=implemented に更新（scraper_source_name = 'note_creators' も確認）
事前確認：python main.py --dry-run --source note_creators 2>&1 | grep "events found" で件数増加を確認してから commit。
enrich_location.py — GPT Output Guard
enrich_location.py 使用 GPT 補充缺少的地址。接收 GPT 回傳後，寫入 DB 前必須套用以下 guard：
- Identical address guard（Rule 6）：
if addr.strip() == venue_name.strip(): skip + log warning。address == venue_name 是提取失敗的確定標誌（GPT 只是複製了場地名）。
- Sub-venue address rule（Rule 7）：子場地（如
○○ビル2階、○○カフェ（寺内））需用親設施的地址，不得用子場地名作為 address。
- SELECT
location_name：query 必須 SELECT location_name，才能執行 identical address guard。
- 雙重防護原則：SYSTEM_PROMPT 規則（讓 GPT 返回 null）+ 程式碼 guard（兜底攔截）都必須存在；不能只靠 GPT 自律。
if location_address and location_address.strip() == (location_name or "").strip():
logger.warning("SKIP: address == venue_name for event %s (%s)", eid, location_address)
continue
Reference incident: 2026-05-05 — GPT extracted 仙六屋カフェ from 会場：仙六屋カフェ as address → identical guard added (commit 628e3e7).
koryu-specific
- location_address fallback:
_extract_location_address() searches for 所在地/住所 sections. When absent (common for 後援-type posts), set location_address = None — do NOT fall back to the venue name. The annotator will fill the address via PARENT VENUE ADDRESS RULE. Old pattern or (venue if venue else None) was removed (commit 9d6e0fc) because it echoed venue name as address, blocking annotator correction.
- 404 on old koryu URLs: When a koryu event page returns 404,
main_text will be a redirect message with no venue section. _extract_venue returns None, so location_address is also None. This is acceptable — the event is stale.
- Single-day end_date: Taiwan Kyokai events are single-day ceremonies/lectures. For koryu-only events, set
end_date = start_date at the end of _extract_event_fields.
- Publish-date false positive: The page body starts with the article publish date (
2026年4月20日) before the actual event content. Do NOT rely solely on the generic YYYY年MM月DD日 fallback — it will pick up the publish date if no structured 日時： field exists.
- DOW-qualified date extraction: Dates like
5月16日（土） (with day-of-week) are actual event dates. Extract these BEFORE the generic fallback, then infer the year from the nearest 20XX年 in the text.
- 後援公告の prose 日付 (
（後援） 始まりの title)：後援公告ページには 日時: ラベルがない。正しい活動日は body text 中の MM月DD日（曜日）に開催 という prose パターンに年号なしで出現する。日時： / 時間： / DOW-qualified 全て失敗したら、r'(\d{1,2})月(\d{1,2})日[（(][月火水木金土日祝][）)]\s*に開催' を検索し、年号は pub_date から推定する（月が pub_date より大幅に前なら翌年）。この prose 検索は generic YYYY年MM月DD日 fallback より 前に 実施すること。
m = re.search(
r'(\d{1,2})月(\d{1,2})日[（(][月火水木金土日祝][）)]\s*に開催',
body_text,
)
if m:
month, day = int(m.group(1)), int(m.group(2))
pub_dt = _parse_date(item["pub_date_str"])
year = pub_dt.year if pub_dt else datetime.now().year
if pub_dt and month < pub_dt.month - 1:
year += 1
start_date = datetime(year, month, day)
開催日時: 前置語の正確性：Scraper が raw_description の先頭に 開催日時: YYYY年MM月DD日 を前置する場合、その日付は 必ず正しい活動日 を使うこと。この前置語は GPT annotator への強烈なシグナルであり、誤った日付を前置すると GPT は body 中の正確な日付を無視し、誤日付が DB に書き込まれる。- Priority order for date extraction:
日時： field → 時間： field (with date) → DOW-qualified 月\d+日（曜日） → に開催 prose pattern → generic YYYY年MM月DD日 fallback (last resort, high risk of matching publish date).
- 指引文（pointer article）偵測と ref URL 抓取：koryu.py は「薄內容指引文偵測」パターンの最初の実装例。汎用
fetch_ref_text() は base.py に昇格済み（→ 上記 § Thin Pointer Article Detection — General Rule 参照）。koryu 固有の実装詳細：
- 閾値：
_THIN_BODY_CHARS = 600
- 外部 URL 判定：
_EXT_URL_RE = re.compile(r'https?://(?!(?:www\.)?koryu\.or\.jp)[^\s）)]+')
- import：
from .base import BaseScraper, Event, fetch_ref_text（requests・BeautifulSoup は koryu.py 内で直接 import 不要）
date_prefix = 記事投稿日: {pub_date_str}（開催日時: は使わない）- 適用場景：公募公告（コンテスト）、後援公告、簡短通知類記事。これらの category/venue/date はすべて ref URL 側にある。
WordPress mixed-content sites (e.g. go_taiwan)
For WordPress sites that mix Japan-hosted and Taiwan-hosted events, apply all three patterns:
1. Listing-page 90-day pre-filter
Before fetching any article detail, parse <time datetime="..."> on the listing page.
Skip articles older than 90 days; stop paginating when an entire page is older than 90 days.
This reduces HTTP requests 30–40× (e.g. 220 → 6 fetches on go-taiwan.net).
2. Three-pass Japan-event filter — apply in this order
def _is_japan_event(title: str, body: str) -> bool:
if TAIWAN_ONLY_PATTERNS.search(title):
return False
if TAIWAN_VENUE_KW.search(body):
if TAIWAN_FOR_JAPANESE_KW.search(body):
return True
return False
return bool(JAPAN_LOCATION_KW.search(body))
Critical: Stage 2 (Taiwan-venue exclusion) MUST come before Stage 3 (Japan-keyword check).
Reversing the order causes false positives: a Taiwan-held event mentioning Japanese travel companies
(e.g. 近畿日本ツーリスト → triggers 近畿 keyword) passes Stage 3 before Stage 2 can reject it.
TAIWAN_FOR_JAPANESE_KW exception list (current): 日本人向け, 日本語対応, 日本から参加, 日本から, 日本発, ファムトリップ, 日台交流ツアー.
Events matching this exception should be categorized as tourism and/or taiwan_japan. Their location_address must use the real Taiwan address — do NOT convert to Japanese format. Future additions: 台湾ツアー, 訪台, 台湾研修, 台湾旅行.
3. Date extraction priority ladder for Japanese WordPress
Post body typically starts with the article publish date — never take the first date naively:
日時： labeled date range- Weekday-annotated range (
YYYY年M月D日（曜日）〜D日（曜日）)
- Any labeled single date
- Weekday-annotated single date
- Plain date range
- Last resort: first plain date in body (high risk of matching the publish date)
Use this ladder when the source is a Japanese WordPress blog/CMS.
Shopify サイト共通注意事項
(Incident: placebymethod.com, 2026-05-11 — ^/pages/ regex で 0 件 → placebymethod\.com/pages/ に修正)
eplus.jp — 詳細ページ fetch によるアドレス・出演者情報の精緻化
eplus.jp の検索カードは会場名を （都道府県） 形式（e.g. （福岡県））でしか表示しない。詳細ページには (1) H1 に市区名、(2) <dt>出演</dt><dd>…</dd> に出演者、(3) <dt>曲目・演目</dt><dd>…</dd> に演目情報が含まれる。Playwright セッション終了後に requests + BeautifulSoup で詳細ページを fetch して一括取得する。
_CITY_FROM_DETAIL_RE = re.compile(r"\(([^・)]+[市区])\s*・")
_PREF_ONLY_RE = re.compile(r"^[^\s]+[都道府県]$")
def _fetch_detail_info(url: str) -> dict:
"""GET eplus 詳細ページから city / performer / program を一括抽出。"""
result: dict = {}
try:
r = requests.get(url, timeout=10, headers={"User-Agent": _DETAIL_UA})
if r.status_code != 200:
return result
soup = BeautifulSoup(r.text, "html.parser")
h1 = soup.find("h1")
if h1:
m = _CITY_FROM_DETAIL_RE.search(h1.get_text())
if m:
result["city"] = m.group(1)
_WANTED_LABELS = {"出演": "performer", "曲目・演目": "program"}
for dt in soup.find_all("dt"):
label = dt.get_text(strip=True)
if label in _WANTED_LABELS:
dd = dt.find_next_sibling("dd")
if dd:
result[_WANTED_LABELS[label]] = dd.get_text(strip=True)
except Exception:
pass
return result
for ev in events:
needs_city = ev.location_address and _PREF_ONLY_RE.fullmatch(ev.location_address)
info = _fetch_detail_info(ev.source_url)
if not info:
continue
if needs_city and info.get("city"):
ev.location_address = info["city"]
extra_lines = []
if info.get("performer"):
extra_lines.append("出演: " + info["performer"])
if info.get("program"):
extra_lines.append("曲目・演目: " + info["program"])
if extra_lines:
ev.raw_description = ev.raw_description.rstrip() + "\n\n" + "\n".join(extra_lines)
注意点：
東京都 は _PREF_ONLY_RE にマッチするが _CITY_FROM_DETAIL_RE の [市区] にはマッチしない → 東京都 のまま保持。正常動作。- performer は
ev.performer に直接セットしない（SKILL.md § performer/performers[] 注解規則）。raw_description に 出演: … 形式で追記し annotator GPT が抽出する。
- eplus 市区補完は 2 段階パイプラインの前段：
_PREF_ONLY_RE（都道府県→市区）→ enrich_addresses.py（市区→街路）。後段が市区を VAGUE と見なすことで初めて街路まで補完できる（_VAGUE_GEO_RE が対応）。
enrich_location.py は location_address IS NULL OR '' のみ処理するため、都道府県 placeholder（非 null）には効かない。- 同一リクエストで取れる全フィールドは一括取得する（「1 リクエスト 1 フィールド」は設計上のアンチパターン）。
(Incident: アクロス福岡シンフォニーホール 7cdd06cb — 福岡県 → 福岡市 → 福岡県福岡市中央区天神1-1-1 — commits 0cfd07f・113fceb, 2026-05-19.)
transit_store-specific
- Shopify JSON API:
/collections/event/products.json?limit=20&page={n} — paginate until empty page.
- Taiwan filter: check
title and body_html against Taiwan keywords.
- Date extraction:
日程[：:][^\d]*(\d{4})年(\d{1,2})月(\d{1,2})日 regex on body_html.
source_id: transit_store_{product.handle} — handle is stable across runs.
rightscube-specific
- Homepage + /movies/ 雙頁爬取：
/movies/ 目錄頁只列出常規放映作品；特集上映系列（如 taiwan-filmake）只出現在 homepage。爬蟲必須同時抓 homepage + /movies/ 目錄，再對 slug 去重。
- Unicode Bold Math section 標題：section 標題（如
𝗧𝗛𝗘𝗔𝗧𝗘𝗥）使用 Unicode Mathematical Bold Sans-Serif 字元（U+1D5D4+）。字串比對前必須用 _normalize_bold_math() 轉換成 ASCII；不轉換則 == "THEATER" 永遠為 False。
_BOLD_MATH_RANGES = [
(0x1D400, 0x1D419, ord('A')),
(0x1D41A, 0x1D433, ord('a')),
(0x1D5D4, 0x1D5ED, ord('A')),
(0x1D5EE, 0x1D607, ord('a')),
]
def _normalize_bold_math(text: str) -> str:
result = []
for ch in text:
cp = ord(ch)
for start, end, base in _BOLD_MATH_RANGES:
if start <= cp <= end:
ch = chr(base + (cp - start))
break
result.append(ch)
return "".join(result)
<span><a> 包裝下的 sibling 日期文字：劇場連結結構為 <span><a href="...">劇場名</a></span>｜5/17(日)・5/24(日)。日期文字是 a.parent.next_sibling（即 <span> 的下一個兄弟文字節點），不是 a.next_sibling（= None，因為 <a> 在 <span> 內部）。- 沒有 THEATER section 的電影應跳過：DVD 專售或非戲院作品不含 THEATER section → 先確認 section 存在再產生 child events；若 section 缺失則只產生 parent event。
- venue_key 派生規則（production contract，勿修改）：SNS domain（x.com / twitter.com / instagram.com）→ URL path 第一段；CDN 平台 host（jimdofree.com / thebase.in 等）→ subdomain；一般域名 → 去掉 TLD 的 domain，lowercase，非英數字換為
-。此規則決定 source_id 後綴，變更會造成 duplicate 插入而非更新現有記錄。
annotator.py ↔ types.ts 同步守則（Three-Location Sync Rule + Startup Guard）
每次在 web/lib/types.ts 新增 Category 型別時，必須同時更新三個地方：
scraper/annotator.py → VALID_CATEGORIES 列表scraper/annotator.py → SYSTEM_PROMPT 第 2 條 categories 列表（單行逗號分隔）scraper/annotator.py → SYSTEM_PROMPT 分類定義清單（每個新分類需加定義行）
違反後果：GPT 無法選用新分類，被迫選最近似的舊分類（例如 tv_program 不存在時選 movie）。更嚴重的是，re-annotation 時 _validate_categories() 會靜默剝離不在 VALID_CATEGORIES 中的分類，默認回退為 ["senses"]——造成靜默資料遺失。
自動防護機制（2026-05-05 新增）
_check_category_sync() 啟動守衛：annotator.py 啟動時自動讀取 web/lib/types.ts，比對 VALID_CATEGORIES。若有遺漏，SystemExit(1) 終止執行。CI/standalone 環境（types.ts 不存在）靜默跳過。human_category_map 驗證：載入 category_corrections 表後，每筆記錄的分類都會對 VALID_CATEGORIES 驗證。無效分類被剝離並記錄 logger.warning。全部無效時回退為 ["senses"]。
第二資料路徑警告
category_corrections 是 annotator 之外的第二條分類資料路徑。此表由 Admin UI 手動修正寫入，不經過 VALID_CATEGORIES 驗證（已在程式碼層修復）。新增分類時除了同步上述三處，也須確認既有 category_corrections 記錄不含已廢棄的分類值。
驗證命令：
cd scraper && python3 -c "
from annotator import VALID_CATEGORIES
import re
ts = open('../web/lib/types.ts').read()
ts_cats = re.findall(r'^\s*\| \"(\w+)\"', ts, re.MULTILINE)
missing = [c for c in ts_cats if c not in VALID_CATEGORIES]
print('Missing from VALID_CATEGORIES:', missing or 'ALL CLEAR')
"
已知遺漏（2026-05-04 修正）：tv_program, drama, documentary, tea_alcohol, exhibition, folklore, literature, parenting, scholarship, taiwan_mandarin, healthcare — 這 10 個分類在 types.ts 存在多月但 annotator.py 未同步，導致 gguide_tv 電視節目被標為 movie。
Ghost category 事件（2026-05-05 修正）：category_corrections 表中 10 筆記錄含無效分類 culture，36 筆事件面臨 re-annotation 時分類被靜默剝離的風險。修復後新增啟動守衛與 category_corrections 驗證。
gguide_tv-specific
- schedule_str has two formats — must handle both:
- 單行：
"12:00 テレ東" → 正規表達式可直接抓 HH:MM <channel>
- 多行：
"23:45\n-\n0:00 歌謡ポップス" → 第一行是開始時間，第二行固定是 -，第三行是 H:MM <channel>
_parse_schedule() 回傳值：(datetime, channel, end_time_str | None)，三元組。單行格式 end_time_str=None。- 多行格式解析規則：
lines = schedule_str.strip().splitlines()
if len(lines) >= 3 and lines[1].strip() == "-":
start_hhmm = lines[0].strip()
end_channel = lines[2].strip()
m = re.match(r"(\d{1,2}:\d{2})\s+(.*)", end_channel)
end_time_str = m.group(1) if m else None
channel = m.group(2) if m else end_channel
business_hours 格式（三步 fallback）：
- list page
end_time_str 存在 → f"{start_hhmm}〜{end_time_str}"
end_time_str = None 但 detail_text 存在 → 用 r"(\d{1,2}:\d{2})\s*\n[-−]\s*\n(\d{1,2}:\d{2})" 從 detail page 提取，成功時同上格式- 兩者皆無 →
business_hours = None（不填單純開始時間）
ps[2].get_text() 必須加 separator="\n"：schedule_raw = ps[2].get_text(separator="\n", strip=True)。不加 separator 時，HTML 子節點直接串接，多行分支永遠不觸發（commit a895e07）。location_name = 實際頻道名稱：如「歌謡ポップス」。gguide_tv 事件絕對沒有實體地址，enrich_addresses.py 預設 skip 此 source（依 source_name 判斷）。- UI 規則：event detail page 的地址欄用
event.source_name === "gguide_tv" 偵測 TV 事件，顯示 location_name（頻道名）純文字，不加 Google Maps 超連結。⚠ 不要用 location_name === "電視頻道" 判斷——location_name 是可變內容欄位，已改為實際頻道名稱。
end_time fallback from detail page：list page 格式為單行（只有開始時間）時，end_time_str = None。fallback 邏輯從 detail_text 用 r"(\d{1,2}:\d{2})\s*\n[-−]\s*\n(\d{1,2}:\d{2})" 補抓結束時間。- BeautifulSoup
get_text 注意事項：get_text(strip=True) 會直接串接子元素。有跨行結構的欄位（如時間範圍），必須用 get_text(separator="\n") 保留換行符。
- gguide_tv ↔ Annotator 分類注意事項：
_genre_to_category() 已正確產生 ["tv_program"] 初始分類；annotator 透過 _inject_keyword_categories 的 _TV_PROGRAM_KEYWORDS 確保 tv_program 注入放送: [channel] + ジャンル: [genre] 是 gguide_tv 的固定 raw_description 格式標記（_TV_PROGRAM_KEYWORDS = frozenset(["放送:", "放送：", "ジャンル:", "ジャンル："])）- 映画 genre（
ジャンル: 映画）的 TV 廣播 → 保留 movie + 加 tv_program；其他 genre（バラエティ/ドラマ/ドキュメンタリー 等）→ 只有 tv_program，絕不單獨用 movie
_inject_keyword_categories 邏輯：含 TV markers → 加 tv_program；同時若有 movie 且非「ジャンル: 映画」→ 移除錯誤的 movie
report 誤判防護（劇情文本中的「報告」）：gguide_tv 的劇情摘要常含「交際の報告」「上司に報告」等詞，這不是活動報導。gguide_tv 不可只因 generic _REPORT_TRIGGER_RE 命中 報告 就注入 report 或加 【レポート】。report 需以 TV genre/context（報道、ドキュメンタリー）判定為主。
DeepL Tracking
- Add
self._deepl_chars_used: int = 0 to BaseScraper.__init__.
- Increment
self._deepl_chars_used += len(text) at every DeepL API call.
main.py reads getattr(scraper, "_deepl_chars_used", 0) when writing to scraper_runs.
CLI Module 入口 — load_dotenv() 必要性
Supabase SDK — JSONB Field Rules
- JSONB 欄位（
jsonb、jsonb[]）必須傳 Python list/dict，不可用 json.dumps() 先序列化。Supabase Python SDK 自動序列化 native types；手動 json.dumps() 造成雙重編碼，欄位存入 "[{...}]" 字串而非 JSONB 陣列。前端 .map() 等 Array 操作會因此 crash。
- 受影響欄位（目前）：
record_links（jsonb[]）、secondary_source_urls（text[]，同規則）。新增 JSONB 欄位時務必確認傳入型別。
- 診斷：若前端出現
.map is not a function 或 .filter is not a function，優先確認 DB 欄位中儲存的是字串還是陣列（在 Supabase Dashboard 直接 SELECT 該欄位）。
- 反例（bug pattern）：
_event_to_row() 中 "record_links": json.dumps(links) → 存入 "[{...}]" 字串。
- 正例（correct pattern）：
"record_links": links （直接傳 Python list）。
enrich_addresses.py
- Purpose: gpt-4o-search-preview batch-fills
location_address / location_address_zh / location_address_en for events that have location_name set but location_address = NULL (or VAGUE).
- Candidate filter (2 conditions — either triggers):
location_address IS NULLlocation_address in VAGUE_ADDRESS_VALUES（固定 set: '東京'・'大阪府' 等）_VAGUE_GEO_RE.match(location_address)（正規表現: ^[^\s]{2,10}[都道府県市区]$）← 2026-05-19 追加
→市区レベル（'福岡市'・'渋谷区'）や都道府県レベル（'福岡県'）は全て候補になる。
- FC lock は候補フィルタの後にチェック：
field_corrections に location_address ロックがあるイベントは FC batch check で常にスキップされる。手動で街路補完を強制する場合は先に FC 削除 + location_address = NULL が必要。
sb.table('field_corrections').delete().eq('event_id', EID).eq('field_name', 'location_address').execute()
sb.table('events').update({'location_address': None}).eq('id', EID).execute()
python enrich_addresses.py --source <source_name>
- Skipped sources:
gguide_tv (TV broadcast, no physical address) and events with location_name ILIKE '%オンライン%' are excluded by default.
- Output is AI-generated, NOT verified: gpt-4o-search-preview can hallucinate street numbers for new or renamed venues. Known failure: MoN Takanawa filled with
東京都港区高輪4-10-30 instead of correct 東京都港区高輪2-21-2 (2026-05-01).
- Post-run audit: After running
enrich_addresses.py, manually spot-check records from high-profile partner venues (SSFF, TAICCA, TCC) against the organizer's official access page (会場・アクセス section).
- Verification source: For SSFF, use
shortshorts.org/2026/ja/schedule/ Venue access section. For other venues, search the organizer's official site for the address.
- Direct DB fix: When a wrong address is found, correct it directly via Supabase SDK UPDATE — no code change or commit needed (data-only correction).
auto_generate Pipeline
Eligibility Check
generate.py _check_eligibility() accepts both 'researched' and 'recommended' statuses. recommended sources (highest confidence, GitHub Issue created) are valid targets.- If a source returns "not eligible" unexpectedly, check
research_sources.status first — it may be 'recommended' if the researcher used --create-issue.
403 / Headless Fallback
- Some WordPress/UIkit sites return 403 to headless Playwright but serve full static HTML to
requests. Signs: sandbox shows 0 events, card_selector not found in rendered DOM.
- When
auto_generate fails with 0 events, immediately test requests.get(url) manually before retrying with Playwright.
- If static HTML is complete → write the scraper manually with
requests + BeautifulSoup. Attach a Retry adapter to requests.Session (see § BaseScraper Contract).
Annual-Subdomain URLs (e.g. TIFF)
- Sites like TIFF use
YYYY.tiff-jp.net — hardcoded year must be replaced with dynamic resolution before promotion:
def _resolve_base_url() -> str:
r = requests.head("https://www.tiff-jp.net", allow_redirects=True, timeout=10)
m = re.search(r"(https://\d{4}\.tiff-jp\.net)", r.url)
if m:
return m.group(1)
return f"https://{datetime.now().year}.tiff-jp.net"
- Mark any URL containing a 4-digit year as "needs annual review" in the spec.
Taiwan Keyword Filter
- auto_generate specs for keyword-search sources (e.g. TIFF
?s=台湾) may return non-Taiwan results. Always add a _TAIWAN_KW client-side filter in the generated scraper during promotion review.
- keyword= URL パラメータはサーバー側でフィルタされないサイトがある（例: bookandbeer）。dry-run で台湾キーワードが実際にヒットするか確認。ヒット率 0% の場合はクライアント側フィルタの実装が必要。
- 書店・著者イベントの false positive：著者の所属欄に「台湾大学」「淡江大学」等が含まれる場合、台湾キーワードが著者略歴から来ている可能性がある。
_AUTHOR_BIO_RE パターン（大学名）を除去してから再判定する 3 段階フィルタが有効：①タイトルに台湾キーワード → 即通過、②説明冒頭 500 字に 2 件以上 → 著者略歴パターン除去後に再判定、③除去後にキーワードなし → 除外。
Annotator CLI — --id 強制重新標注
python annotator.py --id <uuid>：對單一 event 強制重新標注，不限 annotation_status（但 reviewed 事件除外）。- 使用場景：台東祭等多城市活動在首次 annotate 時規則不足，需在修正 prompt 後重新執行。
- 若不加
--id，annotator 只處理 annotation_status = 'pending' 的事件。
location_prefectures — 多城市母活動都道府縣陣列
- DB 欄位：
location_prefectures text[]（nullable，migration 012）
- 何時寫入：annotator 子活動 loop 結束後，若聚合出 ≥ 2 個不同都道府縣，自動 UPDATE 父事件的
location_prefectures；單城市不寫入（維持 null）。
- 計算方式：
_extract_prefecture(location_address) 從每個子活動的 location_address 提取都道府縣名，去重後排序。
_extract_prefecture() regex 必須覆蓋兩種格式：
- 標準格式：
東京都、大阪府、京都府、北海道
- 市開頭格式：
大阪市、京都市（省略「府」的地址，如「大阪市中央区...」）
- Auto-sync from
location_address（annotator re-annotation）: annotate_pending_events() 末尾で location_prefectures が FC ロックされていない・venue lookup 未設定・fix_reviewed 非フラグの場合、_PREFECTURE_RE で location_address 先頭をマッチし単一都道府県を自動付与（commit eb94bb9, 2026-05-30）。オンライン 住所はスキップ。len(cur_prefectures) > 1 の複数都道府県イベントは skip（multi-city フローで管理）。影響: location_address を FC 修正した後、次の annotator 実行で location_prefectures も自動追従する。即時反映が必要なら location_prefectures も同時に FC 修正すること。
- Backfill：現有多城市母活動可用
scraper/backfill_location_prefectures.py 補填。
- 篩選整合：前台（
web/app/[locale]/page.tsx）和後台（web/components/AdminEventTable.tsx）各地區篩選需加入 location_prefectures.cs.{"X"} OR 條件，否則多城市母活動無法命中地區篩選。
Multi-City Tour De-anchoring (HQ-anchored scrapers)
For any scraper that hardcodes a fallback location_address to a single HQ / 駐日機構 (e.g. taiwan_cultural_center, koryu, future 駐日辦事處 sources):
- Detect multi-city descriptions before falling back to HQ. If the article description mentions ≥ 2 regional keywords from
東京|北海道|大阪|京都|神奈川|福岡|名古屋|愛知|仙台|札幌|広島|沖縄, the event is a tour, not an HQ event. 東京 must be in the list — it appears in most multi-city tours.
- De-anchor pattern when multi-city detected:
location_name = '・'.join(found_regions) — list the detected cities directly (e.g. 北海道・東京・神奈川・京都・大阪). Never use a generic label like 全国巡回 — it is meaningless to users.location_address = None（清空 HQ 地址，避免錯誤錨定）
- Downstream takes over: Annotator splits the event into per-city sub-events, then auto-aggregates
location_prefectures on the parent (see section above).
- Without this de-anchor: All tour stops display as HQ-city events, regional filters break, multi-city UI never triggers. Reference incident: 台湾映画上映会2026 (5-city tour) — fixed in commit
a2d6eea (2026-05-01).
Annotator NAME WRITING RULES
annotator.py system prompt requires the following rules for the name_ja / name_zh / name_en fields:
- Titles must be self-contained: A reader who sees only the title (without the description) must understand what the event is.
- Generic terms must not appear alone: When the title consists only of a generic word, it MUST be prefixed with the organiser, topic, or series context.
- Generic words:
オフ会, ライブ, 上映会, 展示, イベント, セミナー, 勉強会
- Bad:
東京オフ会 → no one knows whose fan meetup this is
- Good:
台湾系YouTuber copochanの東京オフ会
- Target length: 10–40 characters (Japanese). Avoid unnecessary padding.
- Sub-events must also be self-contained: A sub-event title like
CSRデー with no parent context is rejected. Include the series or organiser name.
- When to re-annotate: If the DB has an existing generic title (e.g.
東京オフ会), set annotation_status = 'pending' and re-run annotator.py.
name_ja_locked — protect structured titles from annotator overwrite
Problem: Annotator GPT always rewrites name_ja, even when the scraper already populated it from a precise structured source field (e.g. academic paper 題目:, official film programme titles). GPT tends to truncate the subtitle or append generic suffixes like「に関する講演会」.
Solution: Set name_ja_locked=True on the Event when name_ja is extracted from a definitive structured field. The annotator will preserve the existing name_ja unchanged, while still generating name_zh, name_en, description_*, and category normally.
When to use:
- Academic sub-events where
name_ja = structured 題目: / paper title with full subtitle (e.g. taiwanshi scraper)
- Film sub-events from official programme PDFs with definitive Japanese titles
- Any event where the raw source provides the official Japanese title as a discrete field — not inferred from free-text description
When NOT to use:
- Events where the source only provides a vague or generic title and annotator enrichment is desirable
- Parent events (usually fine to let annotator improve the title)
Implementation:
Event(
name_ja=r["title"],
raw_title=r["title"],
name_ja_locked=True,
...
)
Requires supabase/migrations/034_name_ja_locked.sql to be applied.
DB fix for already-misannotated events (if annotator has already run):
events = sb.table('events').select('id,name_ja,raw_title').like('source_id','<source>_%_sub%').eq('is_active', True).execute().data
for e in [x for x in events if x['name_ja'] != x['raw_title']]:
sb.table('events').update({'name_ja': e['raw_title']}).eq('id', e['id']).execute()
Annotator output cleaning
- Empty strings from GPT (
"") must be treated as None — use _str() helper that returns None for falsy/blank strings. Prevents empty name_zh/name_en from blocking the || fallback chain in getEventName.
- Location fields must be stripped of leading label separators — use
_loc() helper that calls .lstrip("：；:; \u3000"). GPT often includes the 会場： or 場所： separator as the first character of location_name.
- Apply
_loc() to both location_name and location_address.
- Events with existing
"" in name/description fields need manual DB reset (null + annotation_status = 'pending') then re-run annotator.py. The _str() helper only prevents future empty strings.
Annotator sub-event row fields
sub_row in annotator.py must explicitly include scraped_at inherited from the parent event: "scraped_at": event.get("scraped_at"). Fields omitted from sub_row default to NULL — they are not inherited automatically.- Rule of thumb: any field that is meaningful for admin operations (e.g.
scraped_at / クロール日時) must be carried over from parent to sub-event explicitly.
- When adding a new column to the
events table, check whether sub_row in annotator.py also needs updating.
Admin form (web) — nullable fields
AdminEditClient.tsx initializes form fields with event.field ?? "", converting null → "". On save, this writes "" to the DB — which silences the locale fallback chain in getEventName/getEventDescription.- The
handleSave payload uses a nullify helper: const nullify = (v: string) => v.trim() || null. All name/description fields must pass through nullify before the Supabase PATCH.
name_ja falls back to event.raw_title as last resort: form.name_ja.trim() || event.raw_title || null.- In
web/lib/types.ts, getEventName/getEventDescription use || (not ??) — || catches both null and "" for the locale fallback chain.
Event detail page (web) — inactive events
web/app/[locale]/events/[id]/page.tsx must include if (!event.is_active) notFound() immediately after fetching the event. Without this, deactivated events remain accessible by direct URL.- Deactivating an event in the DB is NOT sufficient to hide it from public access — the detail page must also guard against it.
Localized location / address / hours (migration 010)
location_name, location_address, and business_hours have _zh and _en variants in the DB (migration 010).- Annotator GPT schema explicitly requests
location_name_zh, location_name_en, location_address_zh, location_address_en, business_hours_zh, business_hours_en.
web/lib/types.ts exposes getEventLocationName(event, locale), getEventLocationAddress(event, locale), getEventBusinessHours(event, locale) — all fall back to the Japanese original if the localized variant is null.- Event detail page (
/events/[id]/page.tsx) uses these helpers instead of raw field access.
- Rule: Any field that a non-Japanese visitor reads on the event page must have locale variants OR use a helper with Japanese fallback. Check the event detail page for raw
event.field access when adding new DB columns.
location_url — 官方會場網站 URL（migration 031）
location_url: Optional[str] = None in Event dataclass（scraper/sources/base.py）— 填入官方場館/會場的完整 URL（非活動頁面 URL）。- 填寫來源：scraper 從場館官網連結萃取，或管理員在 Admin UI 手動輸入。
- Annotator 不填寫：GPT 容易 hallucinate URL，
annotator.py 的 schema 不包含 location_url。
- Web 渲染：Event detail page 以條件渲染實作——
location_url 存在時將 location_name 包在 <a href={location_url} target="_blank" rel="noopener noreferrer"> 內，並顯示 ↗ 指示符。
sub_row 繼承規則：annotator.py 的 sub_row 不自動繼承父事件欄位。新增 location_url 後，若父事件有 venue URL，sub_row 需明確設定 "location_url": event.get("location_url")。- Seed 順序：含
location_url 的 Python client seed 必須在 Supabase Dashboard 執行 migration 031 後才能執行；否則報 PGRST204。
- ⚠
source_url/official_url と同じドメイン禁止（最多発 bug）：location_url は source_url や official_url と必ず異なるドメインでなければならない。Web Search で見つかった URL の origin（Peatix, connpass, 主催者サイト等）を自動代入してはならない。location_url = 「会場施設自身のウェブサイト」（例：https://www.bunkamura.co.jp）。auto_qa_location_url_is_event_url 検出器が衝突を自動フラグ。
- ⚠ 申込表單 URL 禁止填入
location_url：Google Forms（forms.gle/...）、Peatix、Connpass 等申込/登録表單 URL 絕對不能填入 location_url。location_url 語義是「會場的官方 URL」（大学キャンパスページ、施設公式サイト等）。申込表單屬於 source_url 或 official_url 的責任範圍。DB 手動修正時若發現 location_url 含申込表單 → 設為 null。
- ⚠ 主催者 URL 禁止填入
location_url：イベント説明文に主催者・団体のウェブサイト URL が含まれる場合（特に raw_description 末尾）、scraper や annotator がそれを location_url に誤帰属することがある。主催者 URL は organizer_url フィールドへ。DB 手動修正時は location_url = null・organizer_url = <organizer site> に変更。iwafu 系 scraper で頻発。
Reference incident: 0d97e51c（2025年台湾史研究会3月例会）location_url='https://forms.gle/BwseMtpymDKQY4W47'（申込表單）→ null 手動修正（2026-05-07）。
Reference incident: c61470db（赤城で台湾さんぽ）location_url='https://gunma-taiwan-association.studio.site/'（主催者サイト）→ null + organizer_url に移動（2026-05-30）。
Reference incident: c52caa6e（THE SILENCE）location_url='https://www.diginoa.net/silencepuppet'（イベントページ）→ null + official_url に移動（venue URL = https://theater-green.com/theater/base/ に修正）（2026-05-30）。
Reference incident: route.ts f16b987 → 6b3e5ef：Web Search origin 自動代入を削除；annotator.py 1313985：衝突 guard + GPT プロンプト強化（2026-06-03）。
official_url vs source_url — フロントエンド表示区別：
official_url が設定されている → イベント詳細ページに 「公式サイト ↗」 として表示official_url が null → source_url が 「原始資訊 ↗」 として表示（「公式サイト」表示にはならない）- 公式イベントページを「公式サイト」として表示させるには、必ず
official_url に設定すること（source_url だけでは不十分）。
- 専用イベントページが存在しない場合（Peatix が source_url のみの場合など）、創作者/主催者の公式 Instagram や SNS を
official_url に設定して「公式サイト ↗」として表示できる。
Reference incident: c61470db（赤城で台湾さんぽ）official_url 未設定のため iwafu URL が「原始資訊」として表示 → official_url = 'https://gunma-kanko.jp/events/290' に修正（2026-05-30）。
Reference incident: ee17c509（Floti Studio 似顔絵ワークショップ）専用ページ非存在 → official_url = 'https://www.instagram.com/flotistudio/' で「公式サイト ↗」表示（2026-05-30）。
event_form — lecture vs conference 區分規則
event_form 陣列的學術事件類型選擇：
| 情境 | 正確值 |
|---|
| 單一登壇者による講演・発表 | ['lecture'] |
| 複数の登壇者（2 件以上の報告）がある学術例会・研究会 | ['conference'] |
| シンポジウム・学会大会 | ['conference'] |
判斷基準：
- 「第1報告：〇〇」「第2報告：〇〇」のように複数の報告がある →
conference
- 台湾史研究会・台湾研究フォーラム等の月例会は通常
conference（複数報告が標準形式）
- 単一演講でゲスト1名のみ →
lecture
Reference incident: 0d97e51c event_form=['lecture'] → ['conference']（2報告あり、2026-05-07 修正）。
performers[] 批次回填驗證規則
批次回填 performers[] 時的必須驗證步驟：
跨年度混入リスク：source_name + 月份 で候補を絞ると、異なる年の同月イベントが混在し、performers が誤ったイベントに書き込まれる。
candidates = sb.table('events').select('id,performers,raw_description').eq('source_name', 'taiwanshi').execute().data
candidates = (
sb.table('events').select('id,performers,raw_description')
.eq('source_name', 'taiwanshi')
.gte('start_date', '2025-03-01')
.lt('start_date', '2025-04-01')
.execute().data
)
回填前の必須確認（人工）：
- 各イベントの
raw_description を確認し、書き込もうとする performers 名が実際に記載されているか照合する。
- 氏名が一致しない場合は当該イベントをスキップし、source_url を再確認する。
- 回填後は
field_corrections にロックし、re-annotation で上書きされないよう保護する。
Reference incident: 0d97e51c（2025年3月例会）に ['陳志剛', '福田真郷']（2026年3月例会の報告者）が誤って書き込まれた（2026-05-07 修正）。
cinema scrapers — official_url extraction
- Cinema detail pages often have an "オフィシャルサイトはこちら" or "公式サイト" anchor linking to the film's external promotional site. Extract this as
official_url.
- Selector pattern: iterate
soup.find_all("a", href=True); skip hrefs that do not start with http and skip hrefs containing the cinema's own domain.
Keyword filter — exclude non-article sections (関連記事 etc.)
Event detail page (web) — Google search fallback locale
- When building a Google search URL as fallback for missing
official_url, always use event.name_ja || event.raw_title || name — never the locale-specific name variable alone.
- Reason:
name resolves to the display locale (e.g. zh → Chinese title 大濛); searching 大濛 公式サイト misses the Japanese official site. Japanese titles consistently return correct results.
- Pattern:
`https://www.google.com/search?q=${encodeURIComponent(((event as Event).name_ja || event.raw_title || name || "") + " 公式サイト")}`
daimaru_matsuzakaya-specific
- SPA with hidden JSON API: Both daimaru.co.jp and matsuzakaya.co.jp appear as React/Vite SPAs, but all event data is served via
GET /spa_assets/events/{slug}.json. Use requests only — no Playwright needed.
- Discover API with Playwright response interception: Run
page.on('response', ...) filtering content-type: application/json to find new endpoints when brands update their SPA.
- Store slug exceptions: 大丸梅田店 uses slug
umedamise (NOT umeda). Slugs are found in the JS bundle's React Router path definitions: path:"/umedamise/*".
- 403 stores:
daimaru/fukuoka and matsuzakaya/takatsuki return 403 even via Playwright. Permanently excluded from _STORES.
- source_id:
daimaru_matsuzakaya_{slug}_{ev["id"]} — JSON id (integer) is stable across daily runs.
- Date format:
eventStartDate / eventEndDate = "YYYYMMDDHHII" string. Parse with datetime.strptime(ds[:8], "%Y%m%d").
prtimes-specific
_SEARCH_KEYWORDS MUST NOT contain city/region names: Keywords like "台湾 イベント 東京" restrict prtimes API results to articles mentioning that city. Project scope is all-Japan — always use city-free terms ("台湾 イベント", "台湾フェア", etc.)._EVENT_KW must include フェア: Without this, titles like「台湾フェア」have no _EVENT_KW match and are rejected._TAIWAN_BASED_TITLE_RE must be precise: Overly broad patterns like 台湾.*?で match Japan-held Taiwan fairs (e.g. 台湾フェア」で). Only match explicit Taiwan-location context:
台湾国内|現地|本島|の地.*?でin 台湾 / in Taiwan台湾出展|輸出|進出|販路|海外展示|海外販売- Taiwan venue exception (_JAPAN_VISITOR_KW): If _TAIWAN_VENUE_RE matches but body_text or title contains a Japanese-visitor keyword (日本人向け, ファムトリップ, 日台交流ツアー, 日本発, 日本から etc.), do NOT skip — the event targets Japanese visitors and is in scope. Categorize as tourism and/or taiwan_japan. Use the real Taiwan address as location_address.- When a PR TIMES article is missing, check in order:
_SEARCH_KEYWORDS — does any keyword contain a city/region name?_EVENT_KW — does the event-type word (e.g. フェア) appear in the list?_TAIWAN_BASED_TITLE_RE — is the pattern falsely matching a Japan-based Taiwan event?_TAIWAN_VENUE_RE — is the venue filter incorrectly excluding it?
- Referer header required:
requests.get(url, headers={"Referer": page_url}) — without Referer some stores return 403.
- Taiwan events are rare and unpredictable (food fairs, not seasonal). 0-event dry-runs are expected.
- 多城市活動偵測（
_MULTI_CITY_SECTION_RE）: 當 PR 文章前半為商品介紹、活動行程落在後半時，固定截斷（text[:3000]）會漏掉多城市日程。解法：在 _fetch_detail() 用正則偵測「東京｜日期」/「大阪｜日期」等多城市模式，偵測到時選擇性延長（前段 2,000 字 + ---[イベント開催情報]--- 分隔標記 + 行程區塊 4,000 字），未偵測到則維持原 3,000 字上限。
- 多城市子活動補建標準流程（偵測到漏建時）：① 手動建子活動確認資料正確 → ② 刪除手動建的子活動 → ③ 修正 scraper raw_description 邏輯 → ④ 重新抓取 + 更新 DB + 重置
annotation_status = pending → ⑤ 執行 annotator.py 自動生成正確 sub_events。不可跳過步驟 ②（保留手動建的子活動會導致重複）。
hankyu_umeda-specific
- Static HTML, no Playwright: requests + BeautifulSoup only. Page at
https://www.hankyu-dept.co.jp/honten/event/ returns full HTML.
- Seasonal pattern: Taiwan展（台湾ライフ等）is typically in autumn (September–November). Returning 0 events during spring/summer is correct — do not treat it as a scraper bug.
- source_id:
hankyu_umeda_{slug} where slug = last path segment of the detail URL (e.g. taiwan_life). SHA1 fallback hankyu_umeda_{sha1(title+date_str)[:10]} for events without a unique detail page.
- Date format:
◎M月D日（曜日）～D日（曜日） (same-month) or cross-month variant. Three regexes: _DATE_DIFF_MONTH, _DATE_SAME_MONTH, _DATE_SINGLE. Year inferred from current date with Dec→Jan rollover.
google_news_rss-specific
- Fetches 4 Google News RSS queries; Taiwan-filtered;
category: ["report"] (annotator refines)
start_date must NOT fall back to pubDate: RSS <description> is a short snippet (often just the article title) — it never contains event dates. pubDate is the article publish date, completely unrelated to when the event takes place. If no date pattern is found in the description, return None. (Fixed in commit 9510a05; 40 events with wrong pub_date fallback were deactivated.) The annotator handles date extraction by fetching the full article body via Playwright — see engineer SKILL.md § Annotator — google_news_rss 文章補抓.source_id: gnews_{md5(url)[:12]} — stable across runs; url is guid if real article URL, else <link> tag value_STALE_DAYS = 21: Skip entries older than 21 days (based on pubDate). Google News redirect URLs (news.google.com/rss/articles/...) expire within ~2–3 weeks, so entries older than 21 days must be skipped unconditionally based on age alone. Do not attempt to fetch the URL first. The previous value of 60 was too long.- Google
<guid> may contain real article URL; prefer it over <link> tag when it starts with http and does not contain news.google.com
- Google News redirect URL decoding: Use
googlenewsdecoder.new_decoderv1(url, interval=0) to decode news.google.com/rss/articles/... URLs server-side. Add time.sleep(_DECODE_SLEEP) (1.0 s) after each call. Add googlenewsdecoder>=0.1.6 to requirements.txt. Do NOT attempt base64 decoding of the URL path (it is encrypted protobuf, not base64) and do NOT use requests.get() directly (returns HTTP 400 with JavaScript redirect).
- RSS description href is also a Google News URL: The
<a href> inside <description> HTML points to news.google.com/rss/articles/... — NOT the original article. A "non-google.com" filter on this href yields zero results. Always decode the RSS <link> URL with googlenewsdecoder, not the description href.
_is_yahoo_aggregation() filter: Skip articles whose title ends with 「- Yahoo!ニュース」. Yahoo news aggregation pages are duplicates of the source article AND their redirect URLs expire faster. Check: title.endswith("- Yahoo!ニュース") or equivalent strip+suffix check.- Query precision: Use
"台湾映画 上映会" (not "台湾映画 上映") to filter out pure news articles that report on upcoming release dates without being event listings.
- 配信記事欄位補齊（manual hotfix）: 若 article text 明確包含平台/價格/出演者（
BS11+, 見放題・単品レンタル配信, 演じたのは）但事件欄位為空，手動回填 location_name, business_hours, is_paid, price_info, event_form=["broadcast"], performers。
business_hours for streaming events must be one-line: use concise format YYYY年M月D日から配信中; do not paste long article paragraphs into business_hours.- FC lock is mandatory after manual backfill: upsert
field_corrections for all corrected fields immediately. If corrected_by column type is uncertain, omit it and write only event_id + field_name + corrected_value to avoid 22P02 UUID errors.
_clean_title_for_dedup(): strips the - Source Name or ｜Source Name suffix that Google News appends to RSS article titles. Event.name_ja is set to the cleaned title (improves in-scraper dedup_events key matching). raw_title always retains the original full title including the suffix. Apply cleaning before constructing the Event object._NEWS_SOURCES member: merger.py uses Pass 2 (date-range + location-overlap) — NOT name similarity — to merge google_news_rss events into official primaries. This is intentional: article titles don't match event names. Never add google_news_rss to Pass 1 name-similarity matching.- Within-source dedup: handled by
merger.py Pass 0 (name_ja similarity ≥ 0.85), which explicitly includes start_date=NULL events. Pass 1 skips same-source pairs, so Pass 0 is the only dedup layer for gnews-vs-gnews.
nhk_rss-specific
- Fetches NHK news category RSS feeds (cat4=international, cat7=culture/science); Taiwan-filtered;
category: ["report", "books_media"]
start_date extracted from description text; fallback to pubDatesource_id: nhk_{md5(url)[:12]}- Skip entries older than 90 days
- 0 events is a valid dry-run result when no Taiwan news appears in today's NHK feeds
_NEWS_SOURCES member: same Pass 2 matching rules as google_news_rss above — NHK article titles do not match event names by similarity.
enrich_movie_titles() の work_id 自動付与
scraper/annotator.py の enrich_movie_titles() は works テーブルとの照合成功時に work_id を自動付与する（2026-05-30 以降）。
_resolve_movie_titles_for_event() は 7-tuple を返す
name_zh, name_en, official_url, works_performer, works_director, works_id, title = (
_resolve_movie_titles_for_event(event, sb)
)
name_zh, name_en, official_url, works_performer, works_director, title = (
_resolve_movie_titles_for_event(event, sb)
)
全 return 分岐が 7-tuple であることを守ること（early return も含む）:
- 失敗 early return:
return None, None, None, None, None, None, ""（6×None + 空文字列）
- 正常 return:
return name_zh, name_en, official_url, works_performer, works_director, works_id, title_used
work_id フィールドは FC 保護外
_lock_fields_via_corrections() の呼び出し時に必ず除外すること:
lock_update = {k: v for k, v in update.items() if k != "work_id"}
_lock_fields_via_corrections(lock_update, corrections_for_event)
work_id を FC lock に含めると annotator が毎回上書き不能になる。
kyoto_cinema など URL 毎回変動ソースへの対応
kyoto_cinema は上映期間ごとに新しい movie_id を URL に割り当てる → source_id が毎回異なる → movie-extend も merger Pass 1 も発動しない。このようなソースでは work_id の付与は annotator enrich_movie_titles() の自動照合のみに依存する（手動バッチ不要）。
Reference incident: 2026-05-30 — kyoto_cinema event edcc3578 (霧のごとく / 大濛)、work_id=None → commit 7e5b124 で修正。
Movie Title Lookup Pattern
scraper/movie_title_lookup.py provides lookup_movie_titles(name_ja) → tuple[str | None, str | None, str | None].
Return value (3-tuple): (name_zh, name_en, official_url) — all three may be None if not found.
name_zh, name_en, official_url = lookup_movie_titles(name_ja)
name_zh, name_en, _ = lookup_movie_titles(name_ja)
name_zh, name_en = lookup_movie_titles(name_ja)
When to call:
- Every cinema scraper that sets
category=["movie"] must call lookup_movie_titles(name_ja) before constructing Event().
- If
lookup_movie_titles returns a non-None official_url, use it as Event(official_url=official_url).
Exemptions (skip lookup_movie_titles for):
- Events whose
source_id ends in _sub\d+ (sub-events): they inherit translations from parent
- Events with
name_ja_locked=True in DB (already manually verified)
official_url from lookup: When eiga.com finds the movie, the third tuple value is the eiga.com movie page URL. This is a valid official_url for the event — use it instead of constructing a Google search fallback.
For Taiwan-produced films not found on eiga.com: Check GHFF (goldenhorse.org.tw/film/about/archive/) — see § 台湾映画の権威ソース優先順位.
Cinema scraper Vision OCR pattern
Use when showtimes / business_hours are only available in a schedule image (JPEG/PNG), not in HTML.
Pattern: 2-pass scrape + single Vision OCR call
candidates: list[dict] = []
for movie in listing_movies:
if is_taiwan_relevant(movie):
candidates.append({"title": movie.title, ...})
schedule_map: dict[str, str] = {}
if candidates:
img_url = _fetch_schedule_image_url()
if img_url:
schedule_map = _ocr_schedule_showtimes(img_url, [c["title"] for c in candidates])
for c in candidates:
bh = _match_schedule(schedule_map, c["title"])
event = Event(..., business_hours=bh)
Graceful fallback rule: _ocr_schedule_showtimes() must always return {} (empty dict) when:
OPENAI_API_KEY is not set- Any exception occurs (
except Exception: return {})
Never let Vision errors break the scrape. Events without OCR showtimes get business_hours=None.
Dynamic URL fetch: Schedule image URLs change weekly. Always fetch the schedule page HTML and extract the current <a href="/img/i*.jpg"> link — never hardcode the JPEG URL.
Prompt design for schedule OCR:
- Provide the target title list explicitly; do NOT ask GPT to find all movies
- Request JSON output:
{"films": [{"title": "...", "showtimes": "HH:MM / HH:MM"}]}
- Use
response_format={"type": "json_object"} to prevent markdown wrapping
- Use
"detail": "high" for image_url input to improve OCR accuracy
- Cost:
gpt-4o Vision ≈ $0.005/run for a weekly schedule image
Reference: cinemaclair.py commit 33dc715 (2026-05-15).
Cinema scraper pattern
Applies to: cineswitch_ginza, uplink_cinema, human_trust_cinema, and any future single-venue cinema scraper.
Standard strategy:
- Fetch listing page → parse movie cards (title, URL, optional end date from "M/D まで" or similar label)
- Fetch each detail page → extract production country (
制作国 / 国 field, or （YEAR／COUNTRY／...） span)
- Taiwan filter:
country contains 台湾 or Taiwan — do not rely solely on title keywords (金馬奨 winner may be non-TW)
start_date = today (currently showing); end_date from listing label when availablesource_id: URL slug or numeric post ID — never a timestamp
Country field extraction patterns by site:
| Source | Location | Selector / Pattern |
|---|
| cineswitch_ginza | Detail page .movie_detail table | th:contains("制作国") + td |
| uplink_cinema (joji) | Detail page <span class="small"> | （YEAR年／...／COUNTRY／...） — split by ／ |
| human_trust_cinema | Detail page .movie-info table | th:contains("製作国") + td |
Taiwan filter fallback: If country extraction fails, check full description text for 台湾 / 台灣 / Taiwan as a secondary gate.
start_date rule for currently-showing movies: Use datetime.now() (today). Do NOT use the movie's release date (劇場公開日) as start_date unless the movie is not yet showing.
start_date rule for upcoming / COMING SOON movies: When the movie page shows "COMING SOON" or a pre-announcement article without an explicit MM月DD日 or YYYY/MM/DD release date, set start_date = null rather than using any date on the page. Season labels, year-only values, and month-only values are not confirmed release dates and must not be used. Pages scraped before the official release announcement may contain only an article publication date or a vague season label — using such a date produces a wrong start_date that persists until the next scrape (e.g. ナギ日記: scraper set 2026-05-01, actual release 2026-09-25). Priority order for extracting a movie release date: 「○月○日（曜日）公開」 pattern in body → 「公開日：YYYY年MM月DD日」 labeled field → null.
taiwan_matsuri-specific
- Geographic scope: taiwan-matsuri.com hosts events all over Japan (Gunma, Kumamoto, Fukuoka, Nara, Shimane, etc.). Never add a regional keyword filter — the project covers 全日本.
- Link discovery: Homepage
<a href="/YYYYMM-slug/"> links include the event status in the link text (開催中 / イベント終了). Skip links whose text contains 終了 to avoid re-scraping ended events.
official_url = detail page URL: The detail page IS the official organiser page. Set official_url=url (same as source_url).is_paid=False: Confirmed on all events — admission is free.- After a bug fix: Always run a non-dry-run (
python main.py --source taiwan_matsuri) immediately after fixing a filter bug. A dry-run-only fix leaves the data gap until the next CI cycle.
- Cross-source duplicates:
taiwan_matsuri events appear as duplicates in iwafu, google_news_rss, and other aggregators. merger.py handles this automatically — see ## merger.py section below.
taiwan_cultural_center-specific
- Date extraction tiers: Tier 1 (
_BODY_DATE_LABELS) → Tier 1b (dot-day) → Tier 1.3 (unlabeled range) → Tier 1.5 (prose DOW) → Tier 2 (title slash) → Tier 3 (publish date fallback). Always add new date patterns at the correct tier before the publish-date fallback.
- Month-only date ranges:
期間：2026年5月～10月 is a valid date range for multi-month series. _parse_date() handles YYYY年M月 (no day) → first day of month. End date is adjusted to last day of month via calendar.monthrange.
publish date ≠ event date: The .list-text.detail field contains 日付：YYYY-MM-DD which is the publish date, not the event date. It is used as Tier-3 fallback only. Always verify that start_date in dry-run output is NOT the publish date.- Location defaults to TCC, but de-anchor for multi-city tours: Default is
台北駐日経済文化代表処 台湾文化センター / 東京都港区虎ノ門1-1-12 虎ノ門ビル2階. When description mentions ≥ 2 regional keywords (東京|北海道|大阪|京都|神奈川|福岡|名古屋|愛知|仙台), set location_name = '・'.join(found_regions) (e.g. 北海道・東京・神奈川・京都・大阪) and location_address = None — never use a generic label like 全国巡回. 東京 must be in the detection list. Annotator will then split into per-city sub-events and aggregate location_prefectures (commit a2d6eea + 0d900b5, 2026-05-01).
- TCC location_name 幻覚パターン（
東京・京都）: annotator が東京のみの TCC 展覧会に 東京・京都 を設定することがある。raw_description に京都への言及がないのに location_name に 京都 が含まれていれば幻覚。修正手順：① raw_description で会場を直接確認 → ② location_name='台湾文化センター' に修正 → ③ field_corrections にロック。Reference incident: 2026-05-15 dbfac7c9（剪花・綻放 切り絵展）。
- 海報 OCR で co_organizer を補完: TCC のイベントは HTML テキストに
主催 のみ記載されるが、海報（image_url）には 共催・協力 が記載されていることが多い。image_url が取得済みなら GPT-4o Vision OCR で追加情報を抽出し、co_organizers・sponsors を補完 → field_corrections にロック。
News_Content2.aspx: These pages use the same Playwright-rendered structure as News_Content.aspx. The scraper's link collector targets a[href*='News_Content'] which matches both.- 連続上映企画 (film series) sub-events: GPT-4o-mini only produces ≤2 sub-events from descriptions with 13,000+ chars, even with 20,000-char truncation limit. Generate each screening as a separate
Event(parent_event_id=…) in the scraper layer. Do NOT rely on annotator sub-event extraction for series with 6+ entries. Pattern: source_id = f"{parent_source_id}_sub{n}". (2026-04-29 実績: 台湾映画上映会2026 16件手動挿入)
- ⚠ TCC sub-event 時刻は JST → UTC 変換が必要（未修正バグ）:
_parse_date() が naive datetime を返すため、スクレイパーが sub-event の時刻（JST）を UTC として Supabase に書き込む。例: 12:00 JST → 12:00+00:00 誤（正: 03:00+00:00）。台湾映画上映会2026（2026-04-29 挿入）の全 14 件に影響を確認済み。スクレイパーコードの修正が完了するまで、新規挿入または再スクレイプ後に必ず start_date/end_date の -9h 補正 DB スクリプトを実行すること。 修正方法: _parse_date() 返値に replace(tzinfo=ZoneInfo('Asia/Tokyo')).astimezone(timezone.utc).replace(tzinfo=None) または caller 側で datetime(..., tzinfo=timezone.utc) に置換。
- location_name_zh に固有名詞の会場名を翻訳しない: annotator が
ユーロライブ → '歐洲直播' のように劇場・会場の固有名詞を一般名詞として機械翻訳することがある。日本語固有名詞の会場名はそのまま（'ユーロライブ'）を location_name_zh に使うこと。誤訳を発見したら FC lock で上書き。
annotator sub-events — reliability limits
- GPT-4o-mini reliably extracts sub-events only when there are ≤5 entries in a compact description.
- For series with 6+ sub-events (film screening series, multi-session lectures, repeated workshops), generate sub-events in the scraper layer, not via annotator.
- Pattern: emit each session as a separate
Event(parent_event_id=parent_uuid, source_id=f"{parent_source_id}_sub{n}"). Each child is annotated independently.
- The annotator truncation limit is 20,000 chars (raised from 12,000 in commit
ff2a2ac). Even with the higher limit, dense long descriptions still cause GPT to stop early.
- If sub-events were already inserted with fewer entries than expected: delete existing subs first, then
upsert the full corrected set.
merger.py
scraper/merger.py runs after every scraper cycle to deduplicate cross-source events. Four detection passes:
Pass 0 — Within-source google_news_rss dedup
- Runs before Pass 1. Fetches all active
google_news_rss events, including those with start_date=NULL.
- Pairs events with
name_ja similarity ≥ 0.85 (SequenceMatcher on normalised names).
- Primary selection rules (in order): (1) non-null
start_date preferred over null; (2) tie → longer raw_description wins.
- Secondary:
is_active=False; source_url appended to primary's secondary_source_urls.
- Why needed:
source_id for gnews is gnews_{md5(url)[:12]} — different articles about the same event have different IDs, so in-scraper dedup misses them. Pass 1 explicitly skips same-source pairs, so Pass 0 must handle this case first.
- Debug tip: when investigating gnews duplicates, check Pass 0 log first to confirm whether the pair was detected.
- Print output format:
Done: N pair(s)/orphan(s) merged (Pass 0+1+2+3).
Pass 1 — Name similarity (same start_date group)
- Groups all active events by
start_date (YYYY-MM-DD).
- Within each group, pairs events from different sources with name similarity ≥ 0.85 (
SequenceMatcher on normalised names).
- Lower
SOURCE_PRIORITY number wins as primary (strict <). Current order: taiwan_cultural_center (1) → … → taiwan_matsuri (6) → … → iwafu (11) → ide_jetro (13).
_richness_score() tiebreaker: when two events have the same SOURCE_PRIORITY, the one with the higher richness score is chosen as primary. Scoring (0–10): official_url (+1), start_date (+1), end_date (+1), location_address (+1), location_name (+1), raw_description +1 per 200 chars (capped at 5). Never rely on iteration order to decide primary — always use richness when priorities are equal.- annotator pubDate trap: annotator may fill
start_date from the article publish date (pubDate) rather than the actual event date. If after merging the primary's start_date looks like a recent news publish date (not an event date), reset start_date = NULL and re-run annotator.
Pass 2 — News-report matching (date-range + location overlap)
- Sources in
_NEWS_SOURCES = {"google_news_rss", "prtimes", "nhk_rss"} use article titles that cannot match event names by similarity.
- A news event matches an official event when both conditions hold:
news.start_date falls within [official.start_date - 90 days, official.end_date]
— the 90-day lookback (_PRESS_RELEASE_LOOKBACK_DAYS) covers pre-event press releases published before the event start datelocation_name tokens overlap (≥1 common token of ≥2 characters)
- News events are always secondary (priority 100). Official events are always primary.
- Pass 2 catches cases where
start_date differs (e.g. article published mid-festival or months before) and names are stylistically different.
Pass 3 — Orphaned sub-event cleanup
After Pass 1/2, some sub-events are left active while their parent has been deactivated (orphaned). Pass 3 cleans these up:
- Find all
is_active=True sub-events whose parent_event_id points to an is_active=False parent (orphans).
- For each orphan, find the primary parent via
secondary_source_urls contains orphan.source_url query.
- If the primary parent has a sub-event with
name_ja similarity ≥ 0.85 and matching start_date → merge (deactivate orphan, keep winner per SOURCE_PRIORITY).
- If no matching sub found under the primary parent → deactivate the orphan directly.
Pass 3 must run after Pass 0+1+2 (so parent merge results are already settled). Print output format: Done: N pair(s)/orphan(s) merged (Pass 0+1+2+3).
Merge result
- Primary:
secondary_source_urls extended; raw_description enriched with secondary content (first merge only); annotation_status reset to pending for re-annotation.
- Secondary:
is_active=False.
- Idempotent: re-running produces the same result (checks
secondary_url in existing_urls).
When to run manually
cd scraper && python merger.py --dry-run
cd scraper && python merger.py
Run after discovering a new cross-source duplicate that the merger missed. Then check --dry-run to confirm the pair is detected before applying.
_normalize() — Strip Ordering and Guard Spot-Check
When modifying _normalize() in merger.py, the execution order of strip steps matters:
- Trademark symbols (
™ ®)
- CJK full-width dashes → ASCII (
―/— → -)
- Trailing
【主催者名】 annotation — re.sub(r"【[^】]*】\s*$", "", name) ← MUST run BEFORE wrapping-bracket strip
- Wrapping quotes/brackets at ends —
re.sub(r"^[「『《\"'(（\[【]+", ...) and re.sub(r"[」』》\"')）\]】]+$", ...)
- Subtitle suffix (
～...～)
- Year suffix (
（2026） / (2026))
- Whitespace collapse
Why order matters: The wrapping-bracket strip (step 4) consumes the trailing 】, leaving 【ＮＰＯ... residue. Once 】 is gone, the 【[^】]*】\s*$ pattern in step 3 never matches.
Guard spot-check — run after any _normalize() change, all 4 cases must pass:
from difflib import SequenceMatcher
from merger import _normalize
def sim(a, b): return SequenceMatcher(None, _normalize(a), _normalize(b)).ratio()
assert sim("劇映画 PLAY!～ライブの神様～（2024年）", "劇映画 PLAY!～ライブの神様～") >= 0.85, "year-suffix"
assert sim("「台湾、一年の始まり」", "台湾、一年の始まり") >= 0.85, "dash+quote"
assert sim("ラーメン屋", "台湾カフェ") < 0.85, "false-positive"
assert sim("XiXi、私を踊る\u3000松本シネマセレクト上映会【ＮＰＯ松本シネマセレクト】",
"XiXi、私を踊る\u3000松本シネマセレクト上映会") >= 0.85, "bracket-annotation"
print("All 4 pass ✅")
Known source pattern: matsumoto_cinema_select appends 【ＮＰＯ松本シネマセレクト】 to all titles (teket.jp group_id=1841). Other teket.jp group sources may use the same pattern. Two merge failures discovered 2026-05-31: dd792b98/e910d7f2 (XiXi) and ff15eb1d/e4516272 (赤い糸); both manually resolved.
手動マージ後の primary event 修正チェックリスト
自動マージが失敗して手動でペアを解消した場合、primary event に以下を確認・修正する：
annotation_status 確認 — error の場合は enrich_movie_titles() / enrich_person_names() が走らない。name_ja/zh/en を手動修正後 pending にリセットする。name_ja suffix 除去 — annotation_status=error の matsumoto_cinema_select primary には 【ＮＰＯ松本シネマセレクト】 が残留している。除去 + FC lock が必要。- 映画 primary の
name_zh 確認 — works.title_zh（正式中国語タイトル）が反映されているか。FC locked で日本語タイトルのまま格納されていたら upsert で上書き。
name_en 確認 — works.title_en を使ったイベント名形式（Title – Venue Screening）になっているか。- FC lock 誤値の上書き方法 —
field_corrections.upsert({'event_id': id, 'field_name': f, 'corrected_value': v}, on_conflict='event_id,field_name') で既存ロック値を上書きできる（DELETE 不要）。
Registration
- After creating a new scraper file, always add it to
SCRAPERS = [...] in scraper/main.py.
- Test with
python main.py --dry-run --source <source_name> before any other step.
- Periodic audit: Occasionally cross-check
ls scraper/sources/*.py against the SCRAPERS list in scraper/main.py. Source files not in SCRAPERS are silently ignored by CI — they never run. In April 2026, 8 scrapers were discovered in this state (CineMarineScraper, EsliteSpectrumScraper, MoonRomanticScraper, MorcAsagayaScraper, ShinBungeizaScraper, SsffScraper, TaiwanFaasaiScraper, TokyoFilmexScraper).
gguide_tv-specific
DB Operations Safety Rules
These rules apply to any manual or scripted DB operation. Violating them has caused production incidents.
- NEVER batch-set
is_active = False based on end_date < today. Ended events must remain is_active = True — users browse event history, and the frontend FilterBar ("顯示已結束活動" toggle) controls their visibility. is_active reflects admin intent to hide, NOT event expiry status.
is_active has exactly three legitimate write sources:
- Admin manually disables a specific event via the admin page.
merger.py deactivates a duplicate secondary event.- Scraper or admin sets
is_active=False when an event's source_url is permanently broken (DNS failure, 404, domain expired). Do not attempt to preserve these events — a dead source URL means the event can no longer be verified or updated.
Any other bulk UPDATE setting is_active = False is an error. Verify against these three sources before executing.
- Reference incident: 2026-05-01 — batch script set
end_date < today AND is_active = True → is_active = False, deactivating 342 events. Immediate emergency revert required.
Mandatory Post-Change Checklist
Every time a scraper is modified or a new scraper is added, you MUST complete ALL of the following before returning. No exceptions.
1. history.md — always update on bug fix or unexpected behaviour
2. SKILL.md — update if a new rule is discovered
- File:
.github/skills/scraper-expert/SKILL.md (this file)
- If the lesson is source-specific: add a
## <source>-specific subsection or extend the existing one.
- If the lesson is universal (applies to all scrapers): add it under
## BaseScraper Contract or ## Registration.
- Never duplicate a rule that already exists.
3. Per-source SKILL.md — update if a platform rule changed
| Modified source | Platform SKILL to update |
|---|
peatix.py | .github/skills/peatix/SKILL.md |
taiwan_cultural_center.py | .github/skills/taiwan_cultural_center/SKILL.md |
connpass.py or doorkeeper.py | .github/skills/community-platforms/SKILL.md |
| Other sources | No dedicated SKILL yet — add rule here instead |
4. dry-run validation — always run before finishing
cd scraper && python main.py --dry-run --source <source_name> 2>&1 | head -80
Confirm: start_date populated, no unhandled exceptions, events count is non-zero (or zero for an expected reason).
5. Combined Post-Build Audit — run the committed audit script
python3 -W ignore scraper/audit_post_build.py
Confirm: SCRAPERS registration and implemented research source rows both report ALL CLEAR.
maruhiro-specific
- All data on list page: Detail pages contain only a JPEG image. Never fetch detail pages — title, date, floor, and store name are all in
p.card-text on the list page.
start_date must be datetime.datetime, NOT datetime.date: dedup_events calls .date() on start_date. Passing a bare date object raises AttributeError: 'datetime.date' object has no attribute 'date'.- Taiwan events are seasonal: Primarily Golden Week (Apr–May). 0-event dry-runs outside this period are normal.
- source_id:
maruhiro_{event_id} from data-url="/events/view/{id}" — integer, stable across runs.
- Store address: Resolved from
開催店舗: {name} in p.card-text via static _STORE_ADDRESS dict. All stores are in Saitama Prefecture.
auto-scraper Phase 2 — LLM CSS selector hallucination
GPT-4o invents plausible-looking CSS classes that look reasonable but are NOT in the sample HTML. The most common fabrications: .event-card, .event-list-item, .c-event-list__item-title, .post-list-item. Each hallucination wastes ~30s Playwright sandbox + ~$0.04 LLM cost.
Defenses (in scraper/auto_scraper/generate.py):
- SYSTEM_PROMPT hard rule: "ONLY use CSS classes/IDs that appear VERBATIM in the sample HTML." List common LLM fabrications explicitly. Prefer tag selectors (
article, li) over inventing classes.
- Pre-sandbox
_validate_selectors_against_html() using BeautifulSoup (~50ms): confirm card_selector matches ≥ 1 element AND field_selectors.title / field_selectors.date resolve within the first card. Validation failures feed back into the LLM retry loop with explicit error.
- Researcher's
--card-selector-hint is the most effective defense — batch e2e on 2026-05-02 showed Phase 2 success rate 17% without hint vs success with hint. researcher.agent.md enforces hint-filling for feasibility=easy.
Generalisable rule: For any LLM-generated artifact that references real-world data (CSS selectors, file paths, function names, URLs, env var names), add a fast pre-validation step that confirms the reference exists. LLM grounding > LLM trust.
auto-scraper Phase 2 — Optional-but-critical spec field fallbacks
spec_schema.json declares detail_link_selector with default "". The LLM frequently leaves it empty even though the field is critical: an empty value makes the generated scraper set source_url = page.url (the listing URL), which never matches source_id_url_pattern, causing every card to be skipped → 0 events.
Fix (in scraper/auto_scraper/template.py.j2): When DETAIL_LINK_SELECTOR == "", grab the first <a href> inside the card element. Verified: Artist Cafe Fukuoka 0 → 12 events.
Generalisable rule: For any optional spec field whose absence breaks the scraper, the template (not the LLM) must implement a sensible fallback. Do not expect the LLM to read between the lines of the schema. When adding new optional fields to spec_schema.json, ask: "What does the template do when the LLM leaves this empty?" If the answer is "crash" or "skip everything", write a fallback in the template before merging the schema change.
waseda_icl-specific
- WP REST API, NOT Cloudflare-blocked:
waseda.jp/folaw/icl/ allows /wp-json/wp/v2/posts?search=台湾. Main waseda.jp domain is blocked — do not confuse them.
- Skip
_REPORT_RE posts: Posts containing 【開催報告】 or が開催されました are event summaries published AFTER the event — skip them or you get stale past-event dates.
- Two-stage filter is mandatory: API
search= has broad recall; _TAIWAN_TITLE_RE on title is the precision gate. Body-only Taiwan mentions (bibliography, references) must not pass.
- 0 events is almost always correct: ~1–2 genuine Taiwan events per year. Never inflate keywords to increase counts.
- No overlap with
waseda_taiwan: Different institutions, different WP sites, different post IDs. Merger will not deduplicate them.
walkerplus-specific
Walker+ (walkerplus.com) — KADOKAWA 運営の全国イベントリストサイト。
- 対象カテゴリ:
eg0117（グルメ・フードフェス）、eg0118（物産展・観光フェア）、eg0107（美術展・博物展）。台湾関係イベントが多いのは eg0117/eg0118。
- 台湾キーワードフィルタはカード title のみ: Walker+ には台湾キーワードで絞り込む検索 API が存在しない。分類ページ（
/event_list/{category}/{page}.html）を全ページ取得し、カード title で台湾キーワードを照合する（URL クエリパラメータでの絞り込み不可）。
- 分页 URL パターン: 第1ページは
/event_list/{category}/（.html 不要）、第2ページ以降は /event_list/{category}/{page}.html。
source_id: walkerplus_{area+event_code}（例: walkerplus_ar0313e462812）— URL path の area+event code 部分。stable across runs。m-articleset--3 は 3 インスタンスある: #0 と #1 は .m-detail__contents 内（本文）。#2 は .l-main 直下（「関連イベント」ウィジェット）。raw_description の p タグ抽出は必ず .m-detail__contents スコープに限定すること。スコープを外すと関連イベントウィジェットの説明文が混入する。
content = soup.select_one(".m-detail__contents")
paras = content.select("p") if content else []
paras = soup.select(".m-articleset--3 p")
- 場地リンクの順序:
.m-detailheader__period[場所] セクションのリンクは [地域, 都道府県, 市区町村, 施設名] の順序。最後のリンク = location_name（施設名）、中間リンクを結合 = location_address。location_name を location_address にコピーしてはいけない。
links = venue_section.select("a")
if links:
location_name = links[-1].get_text(strip=True)
location_address = "".join(a.get_text(strip=True) for a in links[1:-1]) or None
- Detail page selectors:
- タイトル:
h1.m-detailheader-heading__ttl
- 開催日:
p.m-detailheader__text（日付範囲テキスト、〜 区切り）
- 場所/時間:
.m-detailheader__period 区画、.m-detailheader__icon のラベルテキスト（「場所」「開催時間」）で判別
- Crawl-delay: 1 秒（
time.sleep(1)）。KADOKAWA 系サイトはレート制限が厳しい。
scraper_source_name = 'walkerplus': research_sources 行をこのキーで登録しないと /admin/sources で 0 件表示になる。
stranger-specific
Stranger cinema（東京墨田区）は Eigaland プラットフォームの JSON API を使用。
- Taiwan filter は
countries 配列で判定: movieDetail.countries に "台湾" または "台灣" が含まれるか確認。タイトルやあらすじのキーワード検索は使わない（仙台湾 誤検知を防ぐ）。
synopsis は base64 エンコード HTML: base64.b64decode(b64).decode("utf-8") → HTMLParser でタグ除去してプレーンテキスト化する。- 1 映画 = 1 Event: 90 日ループで
movieId ごとに min_date/max_date を収集してから detail API を呼ぶ。1 日 1 Event を作ると 90 件になるため注意。
openDate は公開日（リリース日）であり上映日ではない: 上映日は listByDomainAndDate?date=YYYY-MM-DD のクエリ日付から得る。official_url は映画の公式サイト: detail.officialPageUrl が映画の公式サイト URL（会場サイトではない）。
Annotator — Performer / Director Field Rules
Rules for performer, performer_zh, performer_en, director, director_zh, director_en fields in annotator.py.
_MUKAE_RE — 迎えパターン完全性
_MUKAE_RE lookahead は以下 3 種の敬語形式をすべて網羅すること：
| パターン | 例 |
|---|
をお迎え | 〇〇氏をお迎えして |
を迎え | 〇〇を迎えるトーク |
をゲストに迎え | 一青窈氏をゲストに迎え |
新しい「迎え」形式が出現したら即座に追加する。Lookahead の片方だけを更新するミスを防ぐため、変更時は 3 パターン全件をテストすること。
Reference incident: 一青窈氏をゲストに迎え が捕捉不能 → をゲストに迎え 追加（commit 6c2f1ab）。
_PERFORMER_INTRO_RE — separator は *（0 個以上）
_PERFORMER_INTRO_RE = re.compile(
r"(?P<role>絵本作家|映画監督|俳優|写真家|...)\s*(?P<name>[^\s、。]+)",
)
_PERFORMER_INTRO_RE = re.compile(r"(?P<role>...)[\s・]+(?P<name>...)")
日本語の慣例として「絵本作家林廉恩氏」のように角色詞と人名を空白なしで直連するケースが頻出する。separator regex は必ず *（0個以上）を使用する。
Reference incident: 絵本作家林廉恩氏 が無マッチ → separator + → * に変更（commit fe8b273）。
AI 翻訳マーカー — 言語別サフィックス規則
performer_* / director_* 欄位に AI 翻訳サフィックスを追加する際は、フィールドの言語に合わせること：
| フィールド | 正しいサフィックス |
|---|
performer_zh / director_zh | （AI翻譯）（繁体中文） |
performer_en / director_en | (AI Translation)（英語） |
performer / name_ja | （AI翻訳）（日本語） |
言語不一致（例：performer_en に （AI翻譯））はデータサイレント汚染を招く。フィールド名の末尾（_zh / _en）から言語を確認してから suffix を選択すること。
Reference incident: bf783b90 performer_en = 'Huang Yi-wen（AI翻譯）'（中文サフィックス）→ 'Huang Yi-wen (AI Translation)' に修正（commit f07c170）。
performer_zh / performer_en 手動修正の 2 ステップ
手動でフィールドを修正した場合、必ず _lock_fields_via_corrections() を使うか、field_corrections テーブルも upsert してロックすること。未ロックだと re-annotation で修正値が上書きされる。
⚠ _zh フィールドの SC→TC ガード：_lock_fields_via_corrections() は _zh で終わるフィールドに自動的に _to_trad() を適用してから FC に書き込む（2026-05-11 commit f7790a2 で追加）。直接 field_corrections テーブルに upsert する場合、_zh フィールドの値は手動で SC→TC 変換済みであることを確認すること。SC 値が FC に入ると、annotator P1 保護により永久に修正不能になる。
sb.table("events").update({"performer_en": "Correct Name (AI Translation)"}).eq("id", eid).execute()
sb.table("field_corrections").upsert({
"event_id": eid,
"field_name": "performer_en",
"original_value": None,
"corrected_value": "Correct Name (AI Translation)",
}, on_conflict="event_id,field_name").execute()
performers[] 多語言欄位の UI helper
フロントエンドは getEventPerformer(event, locale) / getEventDirector(event, locale) を使うこと。event.performer を直接参照してはいけない。
Locale 優先序：
zh → performer_zh → fallback → performeren → performer_en → fallback → performerja → performer （Japanese field = base field）
Reference: web/lib/types.ts の getEventPerformer / getEventDirector helper（commit 3822fb8）。
director（導演）≠ performer（表演者）嚴格分欄規則
導演和表演者必須分別填入不同欄位。兩者嚴禁混填。
| 欄位 | 用途 |
|---|
director / director_zh / director_en | 電影導演、舞台演出導演 |
performer / performer_zh / performer_en | 演員、主演、表演者、講者 |
performers TEXT[] | 所有具名演員/發表者の陣列 |
performer_url TEXT | 単一演者の公式 URL（Instagram、YouTube 等）— 単一演者イベント用 |
performer_urls TEXT[] | 複数演者の URL 配列（performers[] とインデックス対応）— performer_urls[i] が performers[i] の URL |
商業院線映畫的額外規則：
organizer 必須為 null：院線（シネマート、ユーロスペース 等）是映映場地，不是主辦方。director：填導演（陳玉勳、侯孝賢 等）。performers[]：填主演演員陣列。performer（單一日文名）：主要主演；performer_zh / performer_en：多語言名稱。
Event(
organizer=None,
director="チェン・ユーシュン",
director_zh="陳玉勳",
director_en="Chen Yu-hsun",
performer=None,
performers=["ケイトリン・ファン", "ウィル・オー"],
)
Event(
organizer="台北駐日経済文化代表処 台湾文化センター",
performer="チェン・ユーシュン",
director=None,
)
works 表同步：events.director 修正後，works.director 與 works.cast_summary 必須同步更新，否則 works 頁面顯示錯誤資訊。
Reference incident: dec5031b（大濛/霧のごとく）performer='チェン・ユーシュン'（導演誤填），organizer='台北駐日経済文化代表処 台湾文化センター'（商業映畫誤填 organizer）→ DB 手動修正（2026-05-06）。
_KNOWN_PERSON_MAP — 藝名/筆名 GPT 翻譯覆寫
GPT は藝名・筆名（片假名 ↔ 非語音漢字対応）を正しく翻訳できない。annotator.py のモジュールレベル _KNOWN_PERSON_MAP に検証済みの名前を登録すること。
GPT が失敗するケース（片假名 → 漢字が語音対応しない）：
ギデンズ・コー → ❌ 基登斯·高 → ✅ 九把刀 / Giddens Ko（筆名）ロー・ウェイ → ❌ Lau Wai → ✅ 羅維 / Lo Wei
新規エントリ追加時の必須事項：
- 三言語同時検証：
ja（片假名）、zh（漢字名）、en（英語名）すべてを信頼できるソースで確認
- ソース優先順位：eiga.com → 公式サイト → Wikipedia → 信頼できる第三者
- 三つの統合ポイントを確認：① annotation loop ②
performers[] 配列 per-element ③ backfill_performer_i18n() Layer 0
翻訳ルール（厳格適用）：
- ラテン文字名 → そのまま保持（翻訳しない）
- CJK 漢字名で検証ソースなし → 翻訳しない（zh: 漢字コピー、en: NULL）
- 片假名音訳 → 検証ソースがある場合のみ翻訳（
_KNOWN_PERSON_MAP or eiga.com lookup）
Reference incident: 2026-05-09 — 14 名の検証済み名前を _KNOWN_PERSON_MAP に登録、11 件の DB イベントを修正。
performers_zh[] 機械音訳禁止ガード
performers_zh[] 配列の各要素は、片假名の機械的音訳であってはならない。
annotator が performers[]（片假名）を performers_zh[] に変換する際、音訳 mapping のない人名は エスター・リウ → 艾絲特·劉 のような機械音訳になる。これは本名（劉品言）と一致しない別名であり、データ汚染となる。
判定方法：
performers_zh[i] に ·（中黒）が含まれ、かつ前半が 2〜3 文字で「アルファベット名の音訳漢字」（愛、艾、艾絲特 等）なら機械音訳の疑いが高いperformers_zh[i] == performer_zh（単一演者）と一致しない場合も要確認
修正パターン：
- GHFF / eiga.com / Wikipedia で本名を確認
performers_zh[i] を本名に書き換えfield_corrections は performers_zh 配列全体をまとめてロック（フィールド名: performers_zh）
performers_zh = ["劉品言", "林柏宏"]
performers_zh = ["艾絲特·劉", "林柏宏"]
Reference incident: 2026-05-15 — 6a0dbfb3 cinemaclair 莎莉、performers_zh[0]='艾絲特·劉'（機械音訳）→ '劉品言'（本名）に修正。
ステージネーム / 英数字混じり芸名の翻訳禁止ガード
performers_zh[] 生成時、英数字・記号を含む非標準のステージネームは翻訳・変換禁止。
GPT が performers_zh[] を生成する際、英数字・記号含む名前（9m88、88rising、DJ Macky 等）を誤って実在の別単語（軍用機型番・地名・普通名詞）に対応付けるハルシネーションが発生する。
Incident（2026-05-20）： 映画「大濛」出演者 9m88（台湾の音楽アーティスト）が performers_zh[2] = 'Ju 88轟炸機'（ユンカース Ju 88 爆撃機）として DB に保存された。数字「88」が軍用機型番と誤一致した。field_corrections でロックされたため長期間気づかれなかった。
ガード規則：
performers_zh[i] の内容が元の performers[i]（英数字・記号含む）と全く異なるパターン（漢字のみ構成など）になっている場合は要確認- ステージネームは言語横断で 同一表記を維持（
9m88 → 9m88、88rising → 88rising）
- 修正後は
field_corrections で performers_zh 配列全体をロックする
performers_zh = ['范少勳', '區偉', '9m88', '曾敬驊']
performers_zh = ['范少勳', '區偉', 'Ju 88轟炸機', '曾敬驊']
台湾映画の権威ソース優先順位
eiga.com に登録のない台湾映画は金馬獎（GHFF）公式サイトが最も信頼度の高い情報源。
優先順位:
- GHFF (
goldenhorse.org.tw/film/about/archive/) — 正式中文片名・英文片名・監督・出演者。金馬獎入選作品は全掲載。
- eiga.com (
eiga.com/movie/search/?name=...) — 日本公開済み映画の日本語公式情報。
- TAICCA 公式 / 台北電影節 / 映画公式サイト — 金馬獎外の作品に使用。
- Wikipedia — 上記が見つからない場合の補完。
- GPT 生成 — 最終手段。必ず上記で検証してから FC lock する。
注意事項:
- 漢字 1 文字違い（
練 vs 連、惠 vs 慧 等）は視覚的に気づきにくい。人名・片名は必ずコピー&ペーストで GHFF 原文と照合する。
- ローマ字綴りも GHFF の表記が正式（
Chien-hung vs Chien-hong 等）。GPT は類似綴りを混同しやすい。
- description_zh/en 内の片名参照も同時修正：
name_zh だけ直すと説明文内に旧片名が残る。str.replace(old, new) で一括置換してから update する。
- works テーブルも必ず同時修正：
works.original_title、works.title_zh、works.title_en、works.director は events と別テーブル。片名修正時は必ず両方を update する。
Reference incident: 2026-05-15 — 6a0dbfb3 cinemaclair 莎莉。GHFF で 薩莉→莎莉、Sally→Salli、連建宏→練建宏、Chien-hong→Chien-hung を確認して修正。
Sub-event 啟用 — 標題同步規則
學術研討會的子事件（sub-event）以 slot 識別符（「第1報告」「第2報告」等）作為初始標題時，啟用 is_active=True 前必須同步更新標題。
檢查流程：
- 查看
raw_description — 正確的發表題目通常在 raw_description 中以「発表タイトル：」或「（仮題）」形式出現。
- 從
raw_description 手動提取題目，更新 name_ja。
- 同步更新
performer（發表者姓名）。
- 最後設
is_active=True。
sb.table("events").update({
"is_active": True,
"name_ja": "台湾の「雲南菜」から見る「孤軍」と東南アジア（仮題）",
"performer": "福田真郷",
}).eq("id", eid).execute()
sb.table("events").update({"is_active": True}).eq("id", eid).execute()
Reference incident: 97f11903（第2報告）is_active=False + name_ja='第2報告'（slot 識別符）→ raw_description 提取正確題目後手動修正（2026-05-06）。
DB 手動修正 — business_hours 亂碼字元偵測
kokuchpro（こくちーず）等 scraper 的時間字串可能含非標準 Unicode 分隔符。
已知問題字元：
| 字元 | Unicode | 說明 |
|---|
〖 | U+3016 | LEFT BLACK LENTICULAR BRACKET（誤轉為分隔符） |
〗 | U+3017 | RIGHT BLACK LENTICULAR BRACKET |
偵測與修正：
business_hours = (
business_hours
.replace("\u3016", "～")
.replace("\u3017", "")
)
DB 修正驗證：修正後確認值為 'HH:MM～HH:MM'（全形波浪號 U+FF5E），而非其他替代字元。
Reference incident: 622f51c1（中村地平上映会）business_hours='13:30〖16:30' → '13:30～16:30' 手動修正（2026-05-06）。
Annotator — Headline Rewrite Sources & Blog Source Guard
_HEADLINE_REWRITE_SOURCES — 必須含む来源
現在の _HEADLINE_REWRITE_SOURCES frozenset に含めるべきソース（ニュース/ブログ/プレスリリース系）：
_HEADLINE_REWRITE_SOURCES = frozenset({
"google_news_rss",
"nhk_rss",
"prtimes",
"walkerplus",
"note_creators",
})
ブログ源は必ず含める：note_creators など創作プラットフォームの記事は純記事（ニュース見出し）と同様の構造を持つ。含めないと organizer 欄が GPT 幻想で汚染される。
CODE↔PROMPT 同步必須：SYSTEM_PROMPT の NEWS HEADLINE REWRITE RULE / SALIENT SUBJECT RULE の「applies only to: ...」来源清单は、code 側の _HEADLINE_REWRITE_SOURCES frozenset と必ず同步させる。どちらか一方を更新したら、もう一方も同じソースを含むように更新すること。不同步だと、当該ソースは code 上で書き換え許可されているのに GPT は書き換え指示を受け取らず、泛標題をそのまま照抄する（silent failure）。
SALIENT SUBJECT rule — 泛標題に内文の顕著主題を取り込む
headline-rewrite 来源（note_creators などのブログ源を含む）で、raw_title が泛標題（例：「台湾のポスター展」「上映会」「イベント」「展示」）であり、かつ raw_description 内に顕著で識別可能な主題——著名機関名（例：「二二八国家記念館」/「228国家記念館」）、歴史・人権テーマ、具体的な展覧/映画/作品名——が出現する場合、name_ja はその顕著主題を取り込み、読者がタイトルだけで活動の焦点を理解できるようにする。
範例（228 国家紀念館）：
raw_title: 「台湾のポスター展（６月７日＠ふじみ野）」
body 含: 「二二八国家記念館」
→ name_ja: 「台湾「二二八国家記念館」ポスター展（6月7日＠ふじみ野）」
内文に raw_title より顕著な主題がない場合は、raw_title をそのまま維持する。
Reference incident: cceca5a2（note_creators）が泛標題「台湾のポスター展」を照抄し、内文の「二二八国家記念館」を欠落 → タイトル手動修正 + FC ロック（2026-05-31）。根因は note_creators が _HEADLINE_REWRITE_SOURCES にあるのに SYSTEM_PROMPT の来源清单に未記載だったこと。
note_creators — thin content guard
note_creators の raw_description は RSS 截断により「続きをみる」だけになることが多い。以下の判断基準を適用する：
| 内容 | 処理 |
|---|
| 活動告知（日時・場所あり） | 通常収録 |
| 純介紹文・感想記事・観影報告 | is_active = False で非表示 |
raw_description が截断のみ | annotator に渡さず先に除外検討 |
「純介紹文/觀影報告は活動資料ではない」— annotator のフィルタリングに依存せず、scraper または admin DB 操作で is_active=False にすること。
Reference incident: 4 件の note_creators 事件が純観影記事として誤収録 → is_active=False + organizer クリア（commit b589fbb）。
Annotator — Collection Attribution Guard
〇〇美術館蔵 / 〇〇所蔵 は作品の所蔵機関標記であり、活動場地ではない。
問題パターン:
「高雄市立美術館蔵の作品を〇〇で展示」
↑ GPT は 高雄市立美術館 を location_name に誤って抽出することがある。
対策:
- SYSTEM_PROMPT に COLLECTION ATTRIBUTION NOTE を追加済み（commit
47f8184）：「〇〇蔵 のみの出現は所蔵元の記載であり、活動場地ではない」。
- 固定場地の scraper（cinema、venue-specific scraper 等）は
location_name をコード側で静的設定する。GPT の判断に委ねない。
Event(
location_name="東京都写真美術館（恵比寿ガーデンシネマ）",
location_address="東京都目黒区三田1-13-3",
...
)
Reference incident: yebizo event e37db12e で location_name='高雄市立美術館'（台湾の美術館）が設定された → 東京都写真美術館 に修正（commit 47f8184）。
Playwright CI 批次容錯規則
在審核任何使用 Playwright 的 CI 批次腳本（auto_research.py、annotator.py 等）的計畫前，必須確認：
-
page.goto() 必須包裝 TimeoutError 捕獲：
from playwright.sync_api import TimeoutError as PlaywrightTimeoutError
def _fetch_sample_html(url: str) -> str:
try:
page.goto(url, timeout=30_000)
return page.content()
except PlaywrightTimeoutError:
logger.warning("Playwright timeout for %s, skipping", url)
return ""
-
單一 URL 選止整個批次 = 達成零：空 sample_html / 空 content 必須被視為「該筆跳過，下一筆繼續」——不可讓它摧毀整個 job。
sample_html = _fetch_sample_html(row["url"])
if not sample_html:
_update_status(row["id"], "error", "fetch_timeout")
continue
-
CI 批次腳本的 exit code 必須反映批次整體結果：單筆來源標記 error 不就是失敗；全部跳過才是失敗。若選擇類似「至少 N 筆成功」的 exit condition，必須在計畫中明確定義。
Reference incident: 2026-05-07 — commit 8029b74：auto_research.py _fetch_sample_html() 無 try/except，note.com/swi0881 在 CI 逾時 → 未捕獲 PlaywrightTimeoutError → 整個 job exit code 1，所有後續來源全部跳過。
Vision OCR Enrichment Pipeline（enrich_poster.py）
scraper/enrich_poster.py — GPT-4o Vision でイベントポスター画像から情報を抽出する enrichment pipeline。
前提条件
events.image_url が非 NULL（migration 057 適用済み）note_creators.py など _fetch_article_content() を実装した scraper が og:image を Event.image_url にセット
実行方法
cd scraper && source ../.venv/bin/activate
python enrich_poster.py
python enrich_poster.py --dry-run
python enrich_poster.py --event-id <UUID>
python enrich_poster.py --max 20
動作仕様
- 対象選択：
image_url IS NOT NULL AND annotation_status IN ('pending', 'annotated') のイベントを最大 N 件取得
- Vision 抽出：GPT-4o Vision で画像を解析 → JSON 出力（
start_date, venue, organizer, confidence per field）
- 適用条件：
confidence ≥ 0.8 のフィールドのみ適用
- FC ロック：適用したフィールドは全て
field_corrections に upsert（re-annotation で上書きされない）
- Thin Content Guard：
raw_description < 100 字 の場合は organizer を非適用（date/venue のみ）— thin content 時は GPT が外部知識から organizer を hallucinate するリスク防止
注意事項
- CI integration：
scraper.yml の annotator ステップ直後に自動実行（python enrich_poster.py ステップ）
- confidence threshold は固定 0.8：閾値を下げると thin content での false positive が増加するため変更不可
- confidence はフィールド単位：全体 confidence が 0.8 でも個別フィールド（venue）が 0.7 なら venue は非適用
- Organizer Non-Hallucination Guard 適用：Vision 抽出の organizer 値が
raw_description に存在しない場合は棄却（thin content guard が主要防線）
Reference incident: 2026-05-07 — note_creators.py _fetch_article_content() 実装により image_url 取得が可能になり、Vision OCR pipeline の初回適用先が生まれた（commit a52f5b2）。
WP REST API — content フィールド空の Elementor サイト
Elementor / Gutenberg blocks テーマの WordPress サイトでは、/wp-json/wp/v2/<post_type>?_fields=content の content.rendered が "" で返ることがある。JavaScript 側でブロックをレンダリングするため、静的 HTML レスポンスには本文が存在しない。
検出方法：
r = requests.get(API_URL, params={"_fields": "id,title,date,link,content", "per_page": 1})
post = r.json()[0]
print(repr(post["content"]["rendered"]))
対処：content フィールドは使わず link フィールドの URL に対して requests.get → BeautifulSoup で HTML を直接スクレーピングする。
content = post["content"]["rendered"]
r = requests.get(post["link"], headers=HEADERS, timeout=15)
soup = BeautifulSoup(r.text, "html.parser")
full_text = soup.get_text(" ", strip=True).replace("\x00", "")
コスト最適化：詳細ページ fetch は HTTP コストが高い。API 段階でタイトルフィルタを先に適用し、対象投稿のみ fetch する（次セクション参照）。
Reference incident: 2026-05-14 — SNET台湾 snet_taiwan.py（commit 64034ec）、Elementor テーマで content.rendered = ""。
低頻度ソース — タイトルベース 2 段階フィルタ（詳細ページ fetch 前）
年 3〜5 件程度のイベントしか含まない WP REST API ソースで、全 50〜100 投稿のうちイベント告知が少数の場合、詳細ページ fetch 前にタイトルだけで 2 段階 INCLUDE/EXCLUDE フィルタを適用すると HTTP コストを大幅削減できる。
パターン：
_INCLUDE_RE = re.compile(r"開催のお知らせ|申込|プランニング大賞|ツアー.*ご案内|...")
_EXCLUDE_RE = re.compile(r"アカデミー.*第\d+回|受賞.*決定|講師.*派遣|...")
for post in api_posts:
title = BeautifulSoup(post["title"]["rendered"], "html.parser").get_text()
if not _INCLUDE_RE.search(title):
continue
if _EXCLUDE_RE.search(title):
continue
event = self._fetch_and_parse(post["link"])
EXCLUDE の用途：YouTube 動画シリーズ・過去活動報告・B2B 業務連絡など、タイトルが明らかにイベントではないものを事前排除する。
INCLUDE/EXCLUDE 条件の記録：フィルタ条件を module docstring に記録し、将来のメンテナンスで意図を失わないようにする。
Reference incident: 2026-05-14 — snet_taiwan.py で 66 投稿 → 5 件（シンポジウム・ツアー募集・コンテスト）に絞り込み（commit 64034ec）。
teket.jp プラットフォーム — グループ別イベント列挙
teket.jp は日本の電子チケット販売プラットフォーム。URL 構造: https://teket.jp/{group_id}/{event_id}。
グループ別イベント列挙
/api/events?group_id={id} は使用不可: group_id パラメータが無視され、全プラットフォーム (34,000+件) を返す。- 唯一の有効手段:
https://teket.jp/sitemap.xml に /{group_id}/{event_id} 形式で全イベント URL が列挙されている。
r = requests.get("https://teket.jp/sitemap.xml", headers=_HEADERS, timeout=30)
ids = re.findall(r'https://teket\.jp/1841/(\d+)', r.text)
candidate_ids = sorted(ids, key=int, reverse=True)[:30]
イベントページ — データ取得元
| フィールド | 取得元 | 注意 |
|---|
raw_title | JSON-LD name | — |
start_date/end_date | JSON-LD startDate/endDate | YYYY/MM/DD HH:MM +09:00 → date 部分のみ → UTC midnight |
location_name | page title | venue サフィックス | JSON-LD location.name は常に その他のホール（無効） |
location_address | OG description [venue_name address][日時] ブラケット内 | — |
image_url | JSON-LD image | 相対パスは https://teket.jp を prepend |
raw_description | full page text (script/style 除去後) | JSON-LD description はフェスタ名のみ（使用不可） |
台湾フィルタは full page text で適用
JSON-LD description は短すぎる（例: 爆音映画祭2026 in 松本）。full page text には 2021年｜台湾｜カラー・台湾映画社 などが含まれる。
for tag in soup(['script', 'style']):
tag.decompose()
full_text = soup.get_text(' ', strip=True)
if not any(kw in full_text for kw in ('台湾', '台灣')):
return None
Reference incident: 2026-05-15 — matsumoto_cinema_select.py（teket.jp group_id=1841 ＮＰＯ松本シネマセレクト）。
QA Root-Cause Catalog
The qa_heartbeat.py classifier emits one of these R-classes per pending
auto_qa_* report. The catalog block below is consumed by humans + the
heartbeat itself. Keep entries ≤ 1 line, format: - R-CLASS | detector report_type | one-line fix pattern.
- R-ANN-SC | auto_qa_simplified_zh / auto_simplified_chinese | run
_to_trad() on all *_zh fields + lock via field_corrections
- R-ANN-AI-MARKER | auto_qa_performer_ai_translation_marker | strip
（AI翻譯） / (AI Translation); clear field to NULL if stripped value equals original katakana
- R-SCR-PERF-MULTI | auto_qa_performer_multi_value_pollution | split
performer on [、,，×／/] into performers[]; clear stale performer*_zh/en so enrich rebuilds
- R-ANN-PERF-PHON | (subset of marker / katakana detectors) | call
enrich_person_names_single for the event id
- R-ENRICH-MISS | auto_qa_performer_zh_equals_katakana | retry
enrich_person_names_single; on miss, leave for human review
- R-SCR-ADDR-MISS | auto_qa_missing_address | TBD - handler vs detector precision review (see Issue #111)
- R-SCR-HOURS-MISS | auto_qa_missing_hours | TBD - detector covers business_hours nullability; handler design pending
- R-UNCLASSIFIED | auto_qa_taiwan_venue / auto_qa_address_is_venue_name / auto_qa_missing_organizer / auto_qa_missing_performers | review-only; no auto-handler (catch-all for unclassified detectors)
- R-AMBIGUOUS | any | append note to report; leave for human review (no auto-write)
⚠️ When adding a new R-class: also update scraper/qa_heartbeat.py R_CLASSES + ROUTING, and seed .github/skills/scraper-expert/cases.jsonl with a row.
