VacatureRadar/docs/architecture/SOURCE_ADAPTERS.md

Bron- en adapterarchitectuur

1. Adaptercontract

Iedere adapter implementeert conceptueel:

class SourceAdapter(Protocol):
    parser_key: str
    parser_version: str

    def extract(self, content: str, *, url: str) -> ExtractionResult: ...

ExtractionResult bevat:

• jobs: list[ExtractedJob];
• stabiele parser key/version;
• confidence 0..1;
• machine-/mensleesbare warnings.

Adapters:

• doen geen netwerkrequests;
• schrijven niet naar ORM;
• voeren geen scoring of bronpolicy uit;
• werken deterministisch op aangeleverde fixtures;
• bewaren alleen beperkte raw payload voor debugging;
• leveren evidence per belangrijk veld.

2. Parservolgorde

Voor HTML:

1. JSON-LD JobPosting;
2. gespecialiseerde adapter op expliciete source parser key;
3. generieke HTML-fallback;
4. geen vacature wanneer minimumvelden ontbreken.

Voor XML/feed:

1. RSS/Atom;
2. sitemapdiscovery (backlog);
3. geen generieke HTMLparser.

Voor e-mail:

1. MIME decode zonder attachments;
2. linkextractie met unsubscribe/privacyfilter;
3. bij een platformmailbox uitsluitend gelabelde HTTPS-links op het gekozen jobboarddomein aanvaarden;
4. externe tracking-, account-, help-, privacy- en uitschrijflinks verwerpen;
5. platformalias en provenance bewaren;
6. oorspronkelijke werkgever proberen te resolveren in een aparte begrensde taak.

3. Minimumvelden

Een jobdraft is verwerkbaar wanneer minstens aanwezig:

• titel;
• HTTP(S)-URL of stabiele externe identiteit.

Employer, locatie en beschrijving mogen tijdelijk ontbreken, maar verlagen confidence. Een generieke pagina zonder herkenbare titel wordt niet als job opgeslagen.

4. Confidence

Richtwaarden:

Methode	Baseline
JSON-LD geldig individueel JobPosting	0,95
gespecialiseerde publieke ATS-adapter	0,90
RSS/Atom	0,82
vacaturemailanchor	0,65–0,75
generieke HTMLselectors	0,45–0,75

Fieldconfidence en extractionconfidence zijn gescheiden. Een perfecte titel maakt een ontbrekende werkgever niet betrouwbaar.

5. Nieuwe adapter toevoegen

1. Maak apps/sources/adapters/<naam>.py.
2. Geef vaste parser key en semverachtige version.
3. Parse alleen de aangeleverde content.
4. Maak geanonimiseerde fixture onder fixtures/.
5. Test happy path, ontbrekende velden, gewijzigd markup en malafide HTML.
6. Registreer uitsluitend voor een expliciete source/parserdetectie.
7. Documenteer bronbeleid, rate limit en canonical URL-gedrag.
8. Voeg traceability toe.

6. ATS-strategie

Gespecialiseerde adapters mogen publieke HTML of publieke, documenteerbare endpoints gebruiken wanneer:

• geen login/token nodig is;
• bronpolicy allow is;
• gebruiksvoorwaarden/robots zijn beoordeeld;
• het endpoint rechtstreeks vacatures van de werkgever publiceert;
• rate limiting en identifiers stabiel zijn;
• fallback naar HTML mogelijk is.

Een endpoint mag technisch JSON zijn zonder een commerciële platform-API-integratie te vormen. De policybeslissing blijft per bron vereist.

7. Bronpromotie

candidate
  -> policy/robots/terms review
  -> trial (kleine frequentie, parserconfidence meten)
  -> active (voldoende succesvolle runs)
  -> quarantined (policy, security of herhaalde parsefout)
  -> trial/active na expliciet herstel

Automatische promotie naar active vereist minimaal:

• meerdere succesvolle runs;
• geen private/deny redirect;
• voldoende extractieconfidence;
• geen onverwachte volumepiek;
• policy nog geldig.

Juridische voorwaarden mogen niet door een taalmodel als definitief toegestaan worden verklaard.

8. Rate limiting

Per eTLD+1/domein:

• concurrency standaard 1;
• minimum interval standaard 30 seconden;
• respecteer Retry-After;
• conditionele GET met ETag/Last-Modified;
• exponentiële backoff bij fout;
• geen retry op policyblokkade;
• adaptieve lagere frequentie bij stabiele, zelden wijzigende bron.

9. Parserdrift

Bronhealth detecteert:

• leeg resultaat waar eerder vacatures waren;
• sterke daling in velddichtheid/confidence;
• nieuwe foutstatus/contenttype;
• wijziging in jobvolume;
• ontbrekende title/URL;
• veel nieuwe canonical keys door URLtrackingwijziging.

Automatisch herstel mag veilige selectorvarianten proberen, maar nieuwe logica moet eerst op opgeslagen fixture/snapshot draaien. Geen live agressieve exploratie.

Publieke ATS-providers (VR-106)

Provider	Hostherkenning	Parserbenadering	Opmerking	Rate limit (advies)
Greenhouse	*.greenhouse.io, *.boards.greenhouse.io	gespecialiseerd endpoint/JSON + detailstructuren	gebruik alleen publieke boardpagina's/feeds, geen private/persoonlijke endpoints	15 requests/min met conditional request indien beschikbaar
Lever	jobs.lever.co	gespecialiseerd JSON/HTML listing+detail	alleen publieke postings, geen recruiter login flow	60 requests/min per domein
Recruitee	*.recruitee.com	gespecialiseerd listing+detail parser	parse alleen door werkgever geïntendeerde publieke vacature-URL’s	60 requests/min per domein
SmartRecruiters	*.smartrecruiters.com	gespecialiseerd listing+detail parser	geen interne API-auth nodig; stop bij CAPTCHA/anti-bot	30 requests/min per domein
Workable	apply.workable.com	gespecialiseerd listing+detail parser	alleen publieke vacaturepagina/JSON; geen private endpoints	30 requests/min per domein

Gedeelde ATS-hosts zijn geen bronidentiteit: meerdere werkgevers mogen hetzelfde providerdomein gebruiken zolang iedere bron een unieke publieke base_url heeft. De scheduler blijft per origin coördineren, zodat deze extra bronrecords de providerlimiet niet omzeilen.

Voor Corda Campus is een begrensde regionale listingadapter beschikbaar. Die leest uitsluitend de expliciete /jobs/-kaarten, bewaart de vermelde werkgever en weigert iedere joblink buiten cordacampus.com. Vacaturedetail en sollicitatie-URL's worden niet automatisch gevolgd.

Voor elke provider-adapter:

• supports() kijkt eerst op host/marker om andere pagina's niet te matchen;
• listingpayloads produceren kandidaten zonder fetch van detail;
• detailpayloads vullen een enkele vacaturestructuur;
• elke veldafklaring krijgt veld-evidence met method-labels en confidence.

Regionale Mol-adapter (VR-126)

MolRegionEmployerAdapter verwerkt uitsluitend vijf vooraf gereviewde HTTPS-lijstroutes rond postcode 2400: SCK CEN, Cipal Schaubroeck, VanRoey, NTX/Netropolix en Thomas More. De adapter doet geen netwerkrequests en accepteert alleen same-host vacaturelinks. Cipal, NTX en Thomas More vereisen een expliciete lokale marker; bij Thomas More wordt bovendien de vaste publieke werkgever-GUID gecontroleerd. VanRoey-detailpaden zijn door robots uitgesloten en worden daarom nooit door VacatureRadar gefetcht; alleen de toegestane overzichtspagina dient als bron.

Kempen-werkgeversadapter (VR-201)

KempenEmployerAdapter voegt zeven gereviewde werkgeversroutes toe voor Ziekenhuis Geel, lokaal bestuur Geel, Stad Turnhout, Group Renotec, Ravago, Sanofi en DAF Trucks Westerlo. Iedere route heeft een vaste HTTPS-host en een toegestaan lijstpad; vacaturelinks moeten same-host zijn. Voor gedeelde of landelijke lijsten blijft alleen een kaart met de expliciete gereviewde vestiging over. Gemeente Mol wordt via de officiële same-host RSS-feed verwerkt. Interessante werkgevers zonder stabiele fail-closed parser blijven als niet-scanbare waaklijstbron zichtbaar.