perinco-CRM/docs/03-scanner.md

# 03 Projekt Scanner

Der Scanner durchsucht Projektbörsen nach Aufträgen und bewertet jeden Fund mit
OpenAI gegen die Lebensläufe der Berater. Er ist eine vollständige Portierung
der eigenständigen App und läuft parallel zu ihr.

## Ein Suchlauf

```mermaid
sequenceDiagram
    participant C as node-cron<br/>jede Minute
    participant P as Pipeline
    participant PW as Playwright
    participant B as Projektboersen
    participant DB as perinco_scanner
    participant AI as OpenAI gpt-4o-mini
    participant M as SMTP

    C->>P: fällig? (Intervall, Mo-Fr, 07-22 Uhr, Sperrfrist)
    P->>P: läuft schon einer? dann abbrechen
    P->>DB: aktive Agenten laden
    P->>P: Keywords aller Agenten zusammenfuehren
    P->>DB: Portal-Sessions laden

    loop je Portal
        P->>PW: Chromium starten, Cookies setzen
        PW->>B: Suchseite je Keyword
        B-->>PW: Projektkarten
        PW-->>P: Projekte (Titel, Beschreibung, Ort, Rate, URL)
    end

    loop je Projekt x Agent
        P->>DB: Treffer schon vorhanden? dann weiter
        P->>P: Ausschlussbegriff im Text? dann weiter
        P->>AI: Lebenslauf vs. Projektbeschreibung
        AI-->>P: { matchPercentage, pros[], cons[] }
        P->>DB: Treffer speichern
        alt Prozent >= Benachrichtigungs-Schwelle
            P->>M: E-Mail an Agent oder Standardempfaenger
        end
    end
```

Zwei Sparmassnahmen stecken bewusst **vor** dem OpenAI-Aufruf: der vorhandene
Treffer (Unique-Key `agent_id, project_id`) und die Ausschlussbegriffe. Ein
Projekt, das „Arbeitnehmerüberlassung" enthält, kostet damit keinen Cent.

## Wann läuft er

```mermaid
flowchart TD
    T["Cron-Tick, jede Minute"] --> A{"scanning_active?"}
    A -->|nein| STOP1["nichts tun"]
    A -->|ja| B{"Intervall geändert?"}
    B -->|ja| RE["neu planen"]
    B -->|nein| C{"Sperrfrist<br/>nur beim allerersten Start"}
    C -->|noch aktiv| STOP2["nichts tun"]
    C -->|abgelaufen| D{"Mo-Fr?"}
    D -->|nein| STOP3["nichts tun"]
    D -->|ja| E{"07:00-21:59?"}
    E -->|nein| STOP4["nichts tun"]
    E -->|ja| S["last_scan_at aus der DB lesen<br/>(fängt manuelle Läufe mit ein)"]
    S --> F{"Intervall seit<br/>letztem Lauf um?"}
    F -->|nein| STOP5["nichts tun"]
    F -->|ja| G["Pipeline starten"]
    G --> W["last_scan_at = Beginn des Laufs"]
```

Geschrieben wird der **Beginn** des Laufs, nicht sein Ende. Das Intervall ist ein
Takt: mit dem Endzeitpunkt kam die Laufzeit von drei bis vier Minuten jedes Mal
obendrauf, aus 15 Minuten wurden 19 - rund ein Fuenftel weniger Durchgaenge pro
Tag, und die Trefferliste der Boersen zeigt nur die neuesten Projekte.

Die **Sperrfrist** ist die Antwort auf ein konkretes Problem: beide Instanzen
benutzen dieselben Portal-Cookies. Beim ersten Start ziehen sonst beide
gleichzeitig los, was Rate-Limits und CAPTCHAs provoziert - und zwei Chromium
gleichzeitig belasten den Speicher doppelt.

Der Zeitpunkt des letzten Laufs steht in `settings.last_scan_at`. Das ist kein
Luxus, sondern nach zwei beobachteten Fehlern nötig:

> **Erster Fehler:** Der Versatz war über einen vorgealterten `lastRunTime`
> gebaut. Ein Zeitstempel kann einen Lauf aber nur **vorziehen**, nie verzögern -
> bei Intervall 15 und Versatz 30 lief er sofort. Seither eine eigene Frist
> (`notBefore`).
>
> **Zweiter Fehler:** Diese Frist begann bei **jedem** Neustart von vorn. Zwei
> Deployments im Abstand von zehn Minuten haben den fälligen Lauf zweimal um eine
> halbe Stunde verschoben - er fand nie statt. Wer öfter als alle 30 Minuten
> deployt, hätte einen Scanner, der nie automatisch sucht. Deshalb liegt der
> Zeitpunkt jetzt in der Datenbank, und der Versatz greift nur, solange dort noch
> nichts steht.

Der gespeicherte Zeitpunkt wird auch **im Tick** gelesen: ein manueller Scan aus
der Oberfläche schreibt ihn, weiß aber nichts von der Variablen im Scheduler.
Ohne den Abgleich könnte der Scheduler direkt hinter einem manuellen Lauf noch
einmal losziehen.

## Ein Lauf zur Zeit

Zwei Aufrufer können die Pipeline starten: der Cron-Tick und der Knopf "Jetzt
scannen" (`POST /api/scanner/scan`). Keiner von beiden weiß vom anderen, und der
Tick prüft nur die verstrichene Zeit - nicht, ob der vorige Lauf noch arbeitet.
Ein voller Lauf dauert länger als das Intervall (43 Suchbegriffe über mehrere
Börsen), also überholen sich die Läufe und stapeln sich auf.

Deshalb hält `pipeline.js` ein Modul-Flag. Beide Aufrufer teilen es, weil beide
dasselbe Modul importieren:

```js
let pipelineRunning = false;
let pipelineStartedAtMs = null;
const PIPELINE_MAX_RUNTIME_MS = 60 * 60 * 1000;

export const runMatchingPipeline = async () => {
  if (pipelineRunning) { /* ... überspringen ... */ }
  pipelineRunning = true;
  pipelineStartedAtMs = Date.now();
  try {
    return await executePipeline();
  } finally {
    pipelineRunning = false;   // zwingend im finally
    pipelineStartedAtMs = null;
  }
};
```

Das `finally` ist der wichtigste Teil. Würde das Flag am Ende des `try`-Blocks
zurückgesetzt, bliebe es nach einer Ausnahme für immer `true` - der Scanner
würde bis zum nächsten Neustart des Dienstes nie wieder suchen. Das wäre
schlimmer als die Überlappung, gegen die die Sperre da ist.

Die Route fragt zusätzlich `isPipelineRunning()` ab und antwortet mit **409**,
statt einen Start zu melden, den die Sperre gleich darauf verwirft.

> **Warum das nötig ist - der Vorfall vom 26.08.2026.** Die alte App
> (`scanner.perinco.de`) hatte diese Sperre nicht. Gemessen an diesem Tag: fünf
> Pipeline-Starts in 16 Minuten, zwei davon zehn Sekunden auseinander. Jeder Lauf
> startet eigene Chromium-Instanzen, jede mit rund fünf Unterprozessen - in
> Summe **31 `chrome-headless-shell`-Prozesse** und **1,62 GB RSS** im Dienst,
> nach 2 Monaten 23 Tagen ohne Neustart. Auf einer Box mit 4 Kernen und 7,7 GiB
> RAM ergab das **Load Average 126**, 168 MB freien Speicher und einen zu 100 %
> gefüllten Swap. Die Maschine war im Thrashing und nahe am OOM-Killer; selbst
> `systemctl` und SSH brauchten Minuten. Ein Neustart brachte Load 0,87 und
> 277 MB RSS zurück.
>
> Wichtig für die Fehlersuche: die Chromium-Prozesse waren **kein Leck**. Alle
> Scraper schließen ihren Browser in einem `finally`. Die 31 Prozesse waren
> schlicht fünf gleichzeitige Läufe mal mehrere Börsen - die Sperre allein
> behebt das.

Die Sperre schützt gegen Überholen, nicht gegen einen Lauf, der gar nicht
zurückkommt. Hängt ein Browser oder steht eine Verbindung, läuft das `finally`
nie. Dagegen das **Notventil** `PIPELINE_MAX_RUNTIME_MS`: läuft die Sperre
länger als eine Stunde, gibt der nächste Aufruf sie frei und startet neu. So
erholt sich der Scanner selbst, statt auf ein Deployment zu warten.

## Parallelbetrieb - alles verdoppelt

```mermaid
flowchart LR
    subgraph alt["alte App (scanner.perinco.de)"]
        A1["Express :5005"] --> A2[("project_scanner")]
        A1 --> A3["uploads/ in<br/>/var/www/Projekt Scanner/backend"]
        A4["ENCRYPTION_KEY"] --- A1
    end

    subgraph neu["CRM (pcrm.perinco.de)"]
        N1["Express :5006<br/>/api/scanner"] --> N2[("perinco_scanner")]
        N1 --> N3["uploads/ in<br/>/var/www/perinco_CRM/server"]
        N4["SCANNER_ENCRYPTION_KEY"] --- N1
    end

    B["Projektbörsen"]
    O["OpenAI"]
    A1 --> B
    N1 --> B
    A1 --> O
    N1 --> O

    IMP["npm run scanner:import"] -.->|"liest"| A2
    IMP -.->|"schreibt"| N2
    IMP -.->|"kopiert"| N3
```

| | alte App | CRM |
| --- | --- | --- |
| Datenbank | `project_scanner` | `perinco_scanner` |
| Schlüssel | `ENCRYPTION_KEY` | `SCANNER_ENCRYPTION_KEY` |
| CV-Dateien | eigener Ordner | eigener Ordner |
| Aufräumen | 03:00 | 03:30 |
| Anmeldung | HTTP Basic | CRM-Sitzung (JWT) |

**Der Preis:** Beide bewerten dieselben Projekte unabhängig voneinander, die
OpenAI-Kosten fallen also doppelt an. Wer das senken will, stellt im CRM ein
größeres Suchintervall ein - die Einstellung gilt nur für diese Instanz.

## Übernahme aus der alten Datenbank

`server/src/scanner/importLegacy.js`, aufrufbar als `npm run scanner:import`:

```mermaid
flowchart TD
    S["Start"] --> C{"Zieltabelle agents leer?"}
    C -->|nein, ohne --force| AB["Abbruch"]
    C -->|ja oder --force| E["Einstellungen kopieren<br/>inkl. OpenAI-Key"]
    E --> P["Portale über den Namen zuordnen:<br/>Benutzername, Session-Cookies, Status"]
    P --> PW{"LEGACY_ENCRYPTION_KEY gesetzt?"}
    PW -->|ja| PW2["Passwort entschlüsseln<br/>und neu verschlüsseln"]
    PW -->|nein| PW3["Passwort auslassen"]
    PW2 --> A["Agenten anlegen, Ids behalten<br/>CV-PDF kopieren"]
    PW3 --> A
    A --> M{"--with-matches?"}
    M -->|ja| M2["Projekte und Treffer<br/>mit Original-Ids"]
    M -->|nein| F["fertig"]
    M2 --> F
```

Die Ids bleiben erhalten, damit übernommene Treffer weiter auf die richtigen
Agenten und Projekte zeigen. Deshalb bricht das Skript bei bereits vorhandenen
Agenten ab.

> **Beim Rollout am 06.08.2026 festgestellt:** Die Portal-Passwörter der alten
> Datenbank lassen sich mit dem dortigen `ENCRYPTION_KEY` nicht mehr
> entschlüsseln - der Schlüssel wurde nach dem Speichern getauscht. Die alte App
> kann sie damit ebenso wenig lesen, es ging also nichts verloren. Die
> Session-Cookies liegen im Klartext und wurden übernommen; damit scrapt die
> neue Instanz sofort.

## Oberfläche

| Reiter | Datei | Inhalt |
| --- | --- | --- |
| Dashboard | `ScannerDashboard.tsx` | Kennzahlen, Filter, Trefferliste, *Jetzt scannen*, Ton bei neuen Treffern |
| Unpassend | `ScannerRejected.tsx` | Treffer mit Status `rejected` |
| Suchagenten | `ScannerAgents.tsx` | Beraterprofile, CV-Upload |
| Börsen-Konten | `ScannerPortals.tsx` | Verbindungsstatus, Zugangsdaten, Cookie-Import |
| Einstellungen | `settings/ScannerSettings.tsx` | Intervall, Schwellenwerte, OpenAI, Ton, E-Mail |

**Wichtig zum Ton:** Er hängt an der Dashboard-Komponente. Wer auf einen anderen
Menüpunkt wechselt, hört nichts - die Komponente wird ausgebaut und die
30-Sekunden-Abfrage endet. In einem anderen Browsertab bleibt der Ton dagegen
aktiv, nur langsamer (Chrome bremst Timer versteckter Tabs auf etwa einmal pro
Minute) und nur, wenn zuvor irgendwo auf der Seite geklickt wurde
(Autoplay-Regel). Browserunabhängig meldet nur die E-Mail.

## Endpunkte

Alle unter `/api/scanner`, alle hinter `requireAuth`:

| Methode | Pfad | Zweck |
| --- | --- | --- |
| GET | `/agents` | Liste ohne `cvText` (Nutzlast) |
| POST/PUT | `/agents[/:id]` | anlegen/ändern, `multipart` mit CV |
| DELETE | `/agents/:id` | Agent samt CV-Datei |
| GET | `/agents/:id/cv` | PDF als Stream |
| GET | `/portals` | Status ohne Geheimnisse |
| POST | `/portals/credentials` | Zugangsdaten, AES-verschlüsselt |
| POST | `/portals/sync-session` | Cookie-Import, normalisiert für Playwright |
| POST | `/portals/test-connection/:id` | Mini-Scrape bzw. Session-Prüfung |
| GET | `/matches` | Filter: `status`, `agentId`, `minPercentage`, `limit` |
| PUT/DELETE | `/matches/:id` | Status setzen, löschen |
| GET/POST | `/settings` | Geheimnisse maskiert |
| POST | `/scan` | Lauf starten, `409` wenn schon einer läuft |
| GET | `/status` | läuft ein Lauf, Scheduler an, Datenbankname |