Vindicar

Ну для начала посмотри пакет arsenic, это селениум с асинхронной обёрткой. Можно будет переписать твой парсер на асинхронный подход, и не париться по поводу блокировки бота.

Потому что получение ответа от сервера - не то же самое, что получение контента. Скорее всего, мы получили только заголовки ответа, а в рамках соответствующих методов типа json() мы получаем тело ответа и парсим его.

Скорее всего, проблема в работе с одним файлом через два дескриптора (один - stdout твоего скрипта, второй - stdout вызываемого). Попробуй принудительно сбрасывать данные в файл:
print('Пытаемся запустить файл 1:', flush=True)

Разницы нет, в том числе в твоём описании.
Текущая корутина при await-вызове приостанавливается, её состояние сохраняется.
При этом реактор может заниматься другими вещами (в частности, выполнением await-вызова).
Когда await-вызов завершиться, состояние корутины будет восстановлено, и она продолжит выполнение.

Открой окно терминала (cmd.exe), перейди в каталог скрипта, запусти его командой python myscript.py.
Тогда окно терминала останется по завершению скрипта, и ты сможешь увидеть, что скрипт написал.

Например, так.

class KnownClasses:
    # используем статическое поле класса, 
    # так как к нему проще получить доступ из разных модулей
    collection: typing.Dict[str, typing.Type] = {}

class SomeKnownClass:
    ...  # тут тело класса

# регистрируем класс
KnownClasses.collection[SomeKnownClass.__name__] = SomeKnownClass

При желании можно заморочиться дальше, используя метаклассы, и избавиться от необходимости регистрировать класс вручную.

Я подозреваю, что ты не подумал о типах данных.
Из текстового файла ты можешь прочитать только строковой тип.
А какой тип данных используют нужные тебе ID?

Один из подходов, если я не путаю, это seq2seq модель, она же рекуррентный энкодер.
На базе текстов, подобных тем, которые планируется обрабатывать, строится автоэнкодер. Как обычно в автоэнкодерах, его первая половина учится "сжимать" входные данные (в нашем случае кодированный текст), а вторая половина учится их "распаковывать" обратно. При этом "несжатые" данные - это последовательность входов, а "сжатые" - статический вектор контекста, который некоторым (не обязательно известным нам) способом кодирует "смысл". Контроль успешности кодирования проверяется последующей "распаковкой" - на выходе автоэнкодера должна получиться та же самая последовательность, которая была на входе.
Когда научились "сжимать" текст в вектор, этот вектор можно обрабатывать другими методами машинного обучения. Например, решать задачи классификации, регрессии и т.п.
Тогда при обработке неизвестного текста он кодируется (например, производится лемматизация - устраняются грамматические числа, падежи и т.п.), прогоняется через первую половину автоэнкодера, а полученный вектор контекста подаётся на вход сети, которая и заточена под решение нашей задачи.

Но ЕМНИП, это один из ранних подходов. Сейчас есть более продвинутые вещи, я просто о них в не курсе.

Ну для начала - организовать захват экрана (скажем, через vidgear), прикрутить распознавание текста (скажем, через tesseract).
А дальше - если ИИ должен отвечать только на заранее известные ему вопросы, то использовать какой-нибудь из алгоритмов полнотекстового поиска, где запрос - это распознанный текст вопроса.
Альтернативно можно тупо искать наиболее похожий известный вопрос стандартным модулем difflib.
Когда поняли, какой вопрос нам задают, используем pywinauto или pyautogui для ввода текста.

Я бы сделал связную таблицу ПроизводительТипа(id_типа, id_производителя), и заставил бы товар ссылаться на эту таблицу по композитному внешнему ключу, вместо того чтобы ссылаться напрямую на тип и производителя.

0. Понять, про какой именно цикл речь.
1. Замерить время выполнения частей цикла.
2. Найти часть, которая тормозит.
3. Понять, почему она тормозит.
4. Написать реализацию, которая будет тормозить меньше.
5. Проверить её в деле.

Сканят все IP адреса подряд, проверяют наличие известных им уязвимых версий популярных CMS. При детекте узявимой версии запускают эксплоит под неё для заливки веб-шелла.

Ну тогда...
str.partition() - для разделения строки на две части по первому указанному разделителю. Пригодится для отделения страны от списка городов.
str.split() - для разделения строки на неизвестное заранее число частей. Пригодится для разделения списка городов на отдельные названия.
str.strip() - для удаления пробелов. Пропусти названия городов через этот метод, чтобы убрать лишние пробелы по краям.
open() - для открытия файла.
file.readline() - для чтения строки из файла.

Логика простая.
1. Создаёшь словарь.
1. Открываешь файл.
2. Читаешь строку, преобразуешь в целое - это количество записей.
3. Организуешь цикл с параметром (число повторов равно количеству записей).
4. В цикле читаешь строку, режешь её на две части - страна и города.
5. Режешь список городов на названия.
6. В цикле по названиям убираешь лишние пробелы из названия, и вставляешь в словарь пару: ключ - название города, значение - название страны.
7. Конец обоих циклов (и по городам, и по строкам).
8. Читаешь строку запрос, разбиваешь на части, так же убираешь пробелы.
9. Для каждого элемента запроса проверяешь, есть ли в словаре такой ключ оператором in. Если есть, выводишь значение по этому ключу.
Всё.