aliexpress-source-mapping

AliExpress source-mapping — reverse-sourcing d'un catalogue dropship

But : pour chaque produit d'une boutique (clonée depuis AliExpress via un concurrent), retrouver la fiche AliExpress d'origine, vérifiée par l'image, avec le nombre de commandes, sans jamais se tromper de produit.

DOCTRINE CENTRALE — reçus d'abord, devine ensuite

La cause n°1 des échecs passés = partir de devinettes (ids trouvés en SERP / vieux fichier non vérifié) au lieu de partir des reçus. Inverser cet ordre = la clé.

1. Cherche le reçu AVANT tout. Un import réel laisse une trace : fichier fournisseur (*_fournisseurs_aliexpress.xlsx dans ~/Downloads), mémoire projet (shop-b-import-*, *-source-*), note dans le CLAUDE.md du dossier boutique. Ces liens = vérité maximale (ce sont les VRAIS achats). Ne jamais re-deviner un produit dont on a déjà le reçu.
2. Cross-check les candidats existants contre le reçu. Si un candidates.json / vieux XLS traîne : compare ses ids à ceux du reçu. S'ils matchent sur les produits connus → le fichier est fiable pour ceux-là, et ça isole exactement les produits restants (inconnus) sur lesquels concentrer l'effort. (SHOP-B : 12/12 boho matchaient → restaient 4 inconnus au lieu de re-traiter 23.)
3. Ne devine QUE le résidu. Tout le reste est déjà résolu.

PIPELINE

1. Catalogue live

https://<boutique>/collections/<coll>/products.json?limit=250&page=N (endpoint public Shopify, pas d'auth). Extraire key/titre/handle/prix/image. Handle du produit = t.split("|")[0] normalisé NFD sans accents.

2. Fiches AliExpress — Scrapling StealthyFetcher sur pages ITEM

Seul moyen fiable de passer l'anti-bot. WebFetch/curl/https.get Node / in-app browser = 403/captcha/page vide. Ne jamais résoudre un captcha.

# fetchers, PAS `from scrapling import` (0.4.8+)
from scrapling.fetchers import StealthyFetcher
page = StealthyFetcher.fetch(f'https://fr.aliexpress.com/item/{cid}.html',
                             headless=True, network_idle=True, timeout=60000)
html = page.html_content

• Pages ITEM uniquement. Les pages search (/w/…, /wholesale-…) = fines, lazy-loaded, polluées de pubs (même id sponsorisé revient sur toutes les requêtes) → inexploitables. Ne pas s'en servir pour matcher.
• Extraire par regex : og:image (image héro), subject/og:title (titre), tradeCount/…vendu|sold (commandes), urls alicdn.com/kf/…\.(jpg|png|webp) (les images-variantes, précieuses — voir §4).
• PYTHONIOENCODING=utf-8 obligatoire (Windows cp1252 crash). Prompts longs → Write un .py puis python script.py, jamais python -c.
• Scrapling lent (Camoufox ~15-40 s/fiche) → run_in_background, poll le .json final.