Парсер на Python для контент-аудита: все статьи блога в таблице — заголовок, дата, число слов, подзаголовки

Пример результата

def product_links(list_url: str) -> Iterator[str]:
    """Ссылки на карточки со всех страниц списка, по кнопке «Дальше»."""
    url: str | None = list_url
    while url:
        page = fetch(url)
        for card in page.select("div.product-card a.title"):
            yield urljoin(url, card["href"])
        next_link = page.select_one("a.pagination-next")
        url = urljoin(url, next_link["href"]) if next_link else None


def fetch(url: str) -> BeautifulSoup:
    """Одна открытая страница, без спешки: пауза между запросами и несколько попыток при ошибке."""
    for attempt in range(3):
        time.sleep(settings.delay_seconds)
        response = session.get(url, timeout=30)
        if response.status_code == 200:
            return BeautifulSoup(response.text, "html.parser")
        log.warning("%s ответил %s, попытка %d из 3", url, response.status_code, attempt + 1)
    raise ScraperError(f"{url} не открылся за 3 попытки")

Об услуге

Прежде чем переписывать, объединять или удалять старые статьи, нужен список того, что есть в блоге. Парсер проходит по открытому списку статей, открывает каждую и сохраняет строку: ссылка, заголовок, дата публикации и обновления, если она указана, рубрика, теги, число слов, подзаголовков, картинок и ссылок, meta description. Лучше всего он работает на вашем блоге, но прочитает и открытый блог конкурента. Пришлите адрес блога, одну статью и одну-две страницы, сохранённые из браузера. Вы получите код на Python, файл настроек и README и запустите его на своём компьютере. Он даёт факты, а не оценки, и не обещает позиций в поиске. Парсер читает открытые страницы в спокойном темпе, не входит в аккаунты, не обходит капчи и защиту и не берёт имена авторов. Разрешают ли это правила сайта, решаете вы; после смены вёрстки нужна доработка.

Что входит

• Что вы получитеАрхив ZIP с кодом на Python, файлом настроек и README с пошаговой инструкцией; код также виден на странице заказа.
• Счётчики по статьеСлова, подзаголовки, картинки и ссылки
• Даты и рубрикиПубликация, обновление, рубрика и теги
• Title и descriptionТак, как они записаны в странице, с длиной
• Готово для фильтровСортировка по дате или длине в Excel
• Спокойный темпПауза между страницами, задаётся в настройках

Порядок работы

1. 1
   БлогВы даёте адрес блога и одну сохранённую статью
2. 2
   ПарсерМы пишем код и инструкцию по запуску
3. 3
   ЗапускВы запускаете его и проверяете счётчики двух-трёх статей
4. 4
   ПравкиВы просите правки в рамках пакета и присылаете текст ошибки, если она есть

Что нужно от вас

Адрес блога и ссылка на список статей, одна статья и примерно сколько всего записей. Нужные поля, например ссылка, заголовок, дата, рубрика, теги, число слов, подзаголовки, meta description. Одна-две такие страницы, сохранённые из браузера («Файл» > «Сохранить страницу как»). Ваш это блог или чужой и CSV или Excel.

В брифе мы спросим:

• Какой блог?
• Нужные поля
• Сколько примерно статей?
• Что ещё он должен делать

Сравнение пакетов

Вопросы и ответы

Не нашли ответ? Спросите