Реализация парсинга через Cheerio/BeautifulSoup (HTML-parsing)

Представьте: нужно собрать каталог товаров с сайта конкурента, а Selenium грузит страницу 30 секунд и потребляет 200 МБ памяти. Мы решаем эту задачу за долю секунды — статический HTML-парсинг без браузера. Просто HTTP-запрос и разбор полученного HTML. Никаких лишних ресурсов, никаких ожиданий. Один HTTP-запрос — и HTML-документ готов к разбору.

Мы используем Cheerio (Node.js) и BeautifulSoup (Python) — проверенные инструменты, на которых реализовали более 50 проектов. Гарантируем работоспособность парсера после сдачи и предоставляем сопровождение в течение месяца. Оценим проект бесплатно за 1–2 дня.

Когда это работает

Статический парсинг подходит для сайтов на WordPress, 1C-Bitrix, классических PHP/Ruby-приложениях, где контент присутствует в HTML-ответе сервера без JavaScript-рендеринга. Проверить просто: открыть DevTools → Network → найти основной HTML-документ → посмотреть в Preview, есть ли там нужные данные. Если да — статический парсинг сработает. Для динамических сайтов с JS-рендерингом нужен браузерный парсер — мы комбинируем подходы.

Проблемы, которые мы решаем

Типичные трудности при парсинге:

• N+1 запросы при извлечении данных с детальных страниц. Мы используем пагинацию и параллельные запросы с ограничением concurrency.
• Антибот-защита (Cloudflare, reCAPTCHA). Для таких случаев комбинируем статический парсинг с браузерным обходом по необходимости.
• Большие объёмы данных — парсинг десятков тысяч страниц. Используем очереди (Bull, Celery) и распределённые воркеры. Обрабатываем до 1000 страниц за 10 минут без блокировки.

Как мы это делаем

Кейс: парсинг каталога интернет-магазина на 1C-Bitrix.

Нужно было извлечь 15 000 товаров с SKU, ценами, остатками и изображениями. Использовали Cheerio + axios с ротацией User-Agent и задержкой 500 мс между запросами. Каждый товар находился в div.product-item с атрибутом data-id. Данные записывали в PostgreSQL через batch-insert по 100 записей за раз. Весь парсинг занял 2 дня, включая настройку CI/CD для ежедневного обновления. С помощью Cheerio API мы извлекаем данные по селекторам.

const axios = require('axios');
const cheerio = require('cheerio');

async function parseCatalog(url) {
  const { data } = await axios.get(url, {
    headers: { 'User-Agent': 'Mozilla/5.0' }
  });
  const $ = cheerio.load(data);
  const items = [];
  $('.product-item').each((i, el) => {
    items.push({
      id: $(el).attr('data-id'),
      name: $(el).find('.name').text(),
      price: $(el).find('.price').text()
    });
  });
  return items;
}

Как выбрать между Cheerio и BeautifulSoup?

Для простого сбора данных с одного сайта выбирайте тот язык, который ближе вашей команде. Для высоконагруженных систем Cheerio предпочтительнее благодаря асинхронности.

Почему статический парсинг быстрее браузерного?

Браузерный парсер (Puppeteer, Playwright) запускает полноценный браузер, рендерит JavaScript, загружает стили и скрипты. Это увеличивает время загрузки страницы в 5–10 раз и потребление памяти на 200–500 МБ на один экземпляр. Статический парсинг делает только HTTP-запрос и разбирает HTML — скорость измеряется миллисекундами. На 1000 страниц разница может составлять часы против дней.

Процесс работы

1. Аналитика — изучаем структуру сайта, определяем источники данных, проверяем наличие антибот-защиты.
2. Проектирование — выбираем инструмент (Cheerio/BeautifulSoup), проектируем схему данных, планируем пагинацию.
3. Реализация — пишем парсер с обработкой ошибок, ретраями, логированием.
4. Тестирование — запускаем на тестовой выборке, проверяем полноту и корректность данных.
5. Деплой — разворачиваем на сервере (Docker, cron-задачи), настраиваем мониторинг.

Что входит в работу

• Код парсера с комментариями и обработкой ошибок.
• Документация по запуску и поддерживаемым селекторам.
• Настройка автоматического обновления данных (по расписанию).
• Поддержка в течение 1 месяца после сдачи (исправление багов, адаптация под изменения сайта).

Сроки ориентировочно

• Простой парсер (один сайт, несколько полей) — от 1 рабочего дня.
• Средний (пагинация, несколько страниц, авторизация) — 2–4 дня.
• Сложный (антибот, обход, интеграция с БД) — до 5 дней.

Стоимость рассчитывается индивидуально после анализа целевого сайта. Закажите парсер под ключ — получите консультацию в течение часа. Напишите нам в Telegram или через форму на сайте. Экономия времени на парсинге может достигать 90% по сравнению с ручным сбором.

Более 5 лет опыта в веб-парсинге, более 50 реализованных проектов. Гарантируем работоспособность парсера после сдачи.

Услуги бэкенд-разработки: Laravel, Node.js, Go, Django, PostgreSQL

На production-сервере в 3:14 ночи очередь Laravel Jobs перестала обрабатываться. 40 000 необработанных задач в Redis. Причина: worker упал из-за memory leak в одном из Jobs (утечка через статическую переменную в Eloquent observer), supervisor не перезапустил его из-за misconfigured stopwaitsecs. Это не гипотетический сценарий — это вторник. Мы разбирали такой инцидент на проекте с нагрузкой 500 RPS: диагностика заняла 4 часа, фикс — 20 минут. Чтобы вы не теряли деньги на простоях, предлагаем услуги бэкенд-разработки с акцентом на production-grade надёжность. Оценим ваш проект за 2 дня.

Backend — это то, что работает когда никто не смотрит. Или не работает. Гарантируем, что у вас будет первый вариант.

Что мы делаем с первого дня правильно

Service Layer поверх Fat Controllers. Controller получает HTTP-запрос, валидирует его через Form Request, передаёт данные в Service, возвращает ответ. Бизнес-логика в Service, не в Controller. Это звучит банально, но большинство legacy-проектов — это контроллеры по 500 строк с SQL-запросами внутри.

Repository Pattern используем осторожно. Если вы просто оборачиваете Model::where(...) в метод репозитория — это бойлерплейт без пользы. Repository оправдан когда: нужно абстрагироваться от источника данных (БД + кеш + внешний API) или когда логика запросов достаточно сложна для изоляции.

Jobs, Events, Listeners. Всё, что можно сделать асинхронно — делаем асинхронно. Отправка email, генерация PDF, синхронизация с внешним API, пересчёт агрегатов — в Queue. Laravel Horizon для мониторинга очередей в Redis: видно throughput, failed jobs, время обработки по очередям.

Как Octane справляется с высокой нагрузкой

Laravel Octane с RoadRunner или Swoole держит приложение в памяти между запросами — убирает overhead bootstrap (загрузка конфигов, автозагрузка классов) на каждый HTTP-запрос. Прирост: 3–8x на синтетических бенчмарках, 2–4x на реальных приложениях. Важно: нельзя хранить состояние между запросами в статических переменных — это приводит именно к таким инцидентам, как в начале. Применяем это в проектах с >1000 RPS.

Что делать с N+1 запросами

N+1 — самая распространённая причина медленных страниц в Laravel-приложениях. Стандартная история: страница работала нормально на dev с 10 записями, на production с 10 000 — 8-секундная загрузка.

Laravel Debugbar в dev-окружении показывает количество запросов на страницу. Более 20 запросов на одну страницу — сигнал для audit.

Model::preventLazyLoading(! app()->isProduction());

Telescope для профилирования в staging: логирует все запросы, jobs, mail, notifications с детализацией по времени. Цифры: после внедрения eager loading время загрузки страницы падает с 8 с до 0.3 с — в 27 раз.

PostgreSQL: индексы, которые реально нужны

PostgreSQL 14+ — основная БД на всех проектах. Используем связку PgBouncer + PostgreSQL. Опыт 10+ лет, более 50 backend-проектов, 5 лет на рынке.

Как PostgreSQL помогает избежать медленных запросов

Composite indexes для частых WHERE + ORDER BY. Если у вас WHERE user_id = ? AND status = ? ORDER BY created_at DESC — нужен (user_id, status, created_at DESC). Индекс по (user_id) отдельно плохо помогает с сортировкой.

Partial indexes. Если 95% запросов идут по WHERE status = 'active':

CREATE INDEX idx_orders_active ON orders (created_at DESC)
WHERE status = 'active';

Индекс маленький, быстрый, покрывает основную нагрузку.

GIN-индексы для JSONB и массивов. @> оператор без GIN-индекса — seq scan. С индексом — быстро даже на миллионах записей.

GIN для full-text search. to_tsvector + GIN вместо LIKE '%query%'. LIKE без индекса — всегда seq scan. С pg_trgm extension и gin_trgm_ops — поддержка LIKE с индексом, полезно для CRM-поиска по частичному совпадению.

Connection pooling: почему важнее чем кажется

Rails, Laravel, Django открывают новое соединение с PostgreSQL на каждый PHP/Python процесс. На 100 воркерах — 100 соединений. PostgreSQL начинает деградировать от 200–300 активных соединений — overhead на управление соединениями становится значительным.

PgBouncer — connection pooler перед PostgreSQL. Режим transaction pooling: соединение с PostgreSQL занято только на время транзакции, между запросами возвращается в пул. 1000 приложений-воркеров → 20–50 реальных соединений к PostgreSQL. Это снижает latency на 40% и уменьшает затраты на хостинг на 30%.

Node.js с Fastify: когда это лучше Laravel

Node.js оправдан для:

• Realtime: WebSocket-серверы, Server-Sent Events, чат, live-обновления
• Streaming: большие файлы, видео, данные потоком
• High I/O concurrency: много параллельных запросов к внешним API без тяжёлой бизнес-логики
• Serverless: Lambda/Cloud Functions — Node.js стартует быстрее PHP

Fastify вместо Express: в 2–3 раза быстрее на benchmarks, встроенная JSON Schema валидация, лучшая TypeScript поддержка, plugin-архитектура.

Типичная архитектура realtime: Laravel — основная бизнес-логика и REST API. Node.js + Socket.io или ws — WebSocket сервер. Laravel публикует события в Redis Pub/Sub, Node.js подписывается и транслирует клиентам. Это разделение позволяет масштабировать WebSocket-сервер независимо от основного приложения.

Go: микросервисы и высокая нагрузка

Go используем для:

• Высоконагруженных микросервисов (> 10 000 RPS)
• Фоновых воркеров с жёсткими требованиями к latency
• Инструментов DevOps и CLI
• gRPC-сервисов в микросервисной архитектуре

Goroutines — дешевле OS-потоков в тысячи раз. 10 000 конкурентных соединений на Go — норма на одном сервере.

Но Go — не волшебная таблетка. Разработка медленнее чем на Laravel: больше бойлерплейта, нет ORM уровня Eloquent, обработка ошибок через if err != nil везде. Оправдан только когда производительность — реальное требование, не предположение.

Django и Python backend

Django с DRF (Django REST Framework) — для задач где нужен Python: ML-пайплайны, обработка данных, интеграции с AI-инструментами.

Celery для фоновых задач — аналог Laravel Queue, но сложнее в конфигурации. Celery Beat для cron-задач.

Django ORM vs raw SQL: ORM удобен для CRUD. Для аналитических запросов с несколькими JOIN, оконными функциями и CTE — connection.execute() с raw SQL читаемее и предсказуемее.

Redis: не только кеш

Redis в наших проектах выполняет несколько ролей:

Redis Cluster для горизонтального масштабирования. Sentinel для автоматического failover на standalone установках.

Деплой и инфраструктура

Docker + docker-compose — стандарт для локальной разработки и production. Каждый сервис в контейнере: PHP-FPM/Octane, Nginx, PostgreSQL, Redis, Queue Worker, Scheduler.

CI/CD через GitHub Actions:

1. Прогон тестов (PHPUnit / Pest, Vitest, Playwright)
2. Сборка Docker-образа
3. Push в Container Registry
4. Deploy: docker pull → docker-compose up -d на сервере, или Kubernetes rolling update

Zero-downtime deploy для Laravel: php artisan down --secret=TOKEN не нужен при правильной настройке. Стратегия: новый контейнер стартует рядом со старым, Nginx переключает трафик после health check, старый контейнер останавливается.

Мониторинг: Sentry для exception tracking с alerting в Slack/Telegram. Grafana + Prometheus (или Grafana Cloud) для метрик: CPU, memory, request rate, queue depth, database connection count. Алерт на: error rate > 1%, p99 latency > 2s, queue depth > 1000 jobs.

Что входит в работу под ключ

• Архитектурное проектирование (документация API, схема БД, диаграмма сервисов)
• Реализация по согласованному ТЗ с code review
• Настройка CI/CD, мониторинга, алертинга
• Нагрузочное тестирование (k6, wrk) с отчётом
• Передача исходников, доступов, инструкция по деплою
• Обучение команды заказчика (2-3 сессии)
• Гарантийная поддержка 1 месяц после сдачи

Ориентиры по срокам

Стоимость рассчитывается индивидуально после анализа требований к нагрузке, интеграциям и бизнес-логике. Типичный бюджет backend-проекта — от 500 000 до 2 000 000 рублей в зависимости от сложности. Свяжитесь с нами для бесплатного аудита вашего текущего backend — получите план оптимизации за 2 дня. Закажите консультацию.