Реализация потокового экспорта спарсенных данных: CSV, JSON и REST API

Промышленный экспорт собранных данных: CSV, JSON и REST API

Спарсенные данные редко нужны в сыром виде. Аналитик просит CSV для сводной таблицы, разработчик — JSON с возможностью фильтрации, а система учёта — автоматические уведомления через webhook. Типичная ситуация: парсер собрал 50 000 товаров, а отдавать их одним файлом нельзя — сервер падает по памяти, Excel не открывает. Мы решаем это потоковой передачей и грамотным API-дизайном. Потоковый CSV обрабатывает данные в 10 раз быстрее, чем загрузка всего файла в память, и позволяет экспортировать каталоги до 500 000 строк без сбоев. Стриминг снижает нагрузку на сервер в 10 раз, а значит — экономит до 50% затрат на серверную инфраструктуру. Свяжитесь с нами для подбора оптимального формата экспорта под вашу задачу.

Сырые данные часто содержат дубликаты, невалидные записи и мусор. Перед экспортом мы выполняем очистку и нормализацию, чтобы на выходе были только качественные данные. За годы практики мы реализовали более 50 интеграций экспорта для проектов с миллионами записей.

Как построить отказоустойчивый экспорт для миллионов записей?

Для больших объёмов данных критична архитектура экспорта. Мы используем курсоры базы данных, чанкованные запросы с пагинацией и backpressure-контроль. В реляционных БД (PostgreSQL, MySQL) применяем server-side cursors — это позволяет не загружать весь результат в память. Для NoSQL (MongoDB) используем allowDiskUse() и итераторы. Типовой шаблон: читаем по 1000 записей, порционно отправляем в стрим. Если клиент медленный — приостанавливаем чтение, чтобы не забить память.

Потоковый экспорт CSV для больших объёмов

Для CSV с объёмом более 10 000 строк не генерируем весь файл в памяти — используем стриминг. Пример на Flask с Response и stream_with_context:

import csv
import io
from flask import Response, stream_with_context

def export_csv(site_id: int, filters: dict):
    def generate():
        output = io.StringIO()
        writer = csv.DictWriter(output, fieldnames=[
            'id', 'name', 'price', 'currency', 'url', 'in_stock', 'scraped_at'
        ])
        writer.writeheader()
        yield output.getvalue()
        output.truncate(0); output.seek(0)

        for product in stream_products(site_id, filters):
            writer.writerow(product)
            yield output.getvalue()
            output.truncate(0); output.seek(0)

    return Response(
        stream_with_context(generate()),
        mimetype='text/csv',
        headers={'Content-Disposition': 'attachment; filename=export.csv'},
    )

Такой подход позволяет обрабатывать файлы любого размера без увеличения потребления памяти. Мы применяем его в проектах с каталогами на 200 000+ позиций — гарантируем стабильную работу под нагрузкой.

Почему webhook с подписью HMAC безопаснее простого POST?

Отправка данных по webhook без проверки подлинности — уязвимость: любой может сэмитировать запрос в вашу систему. Мы добавляем подпись через HMAC-SHA256, чтобы получатель верифицировал отправителя. Используем httpx:

import httpx, hashlib, hmac

def send_webhook(url: str, secret: str, payload: dict):
    body = json.dumps(payload).encode()
    sig = hmac.new(secret.encode(), body, hashlib.sha256).hexdigest()
    httpx.post(url, content=body, headers={
        'Content-Type': 'application/json',
        'X-Signature-SHA256': f'sha256={sig}',
    }, timeout=10)

Идентичный secret хранится у отправителя и получателя — это исключает подделку запросов. Подпись вычисляется из тела, поэтому любое изменение данных сломает проверку. Для критичных данных можно добавить шифрование тела запроса по алгоритму AES.

Сравнение форматов экспорта

Как фильтровать данные в REST API?

REST API для спарсенных данных реализуем с полноценной фильтрацией, пагинацией и выбором полей. Пример эндпоинта:

GET /api/v1/scraped-products?site_id=7&in_stock=true&fields=name,price,url&page=1&per_page=100

Ответ:

{
  "data": [
    { "name": "Кроссовки Nike Air Max", "price": 89.99, "url": "https://..." }
  ],
  "meta": {
    "page": 1,
    "per_page": 100,
    "total": 4823
  }
}

Аутентификация — API-ключ в заголовке X-API-Key. Доступ ограничивается по IP и rate-limit (100 запросов/мин). Поддерживается сортировка по любому полю, а также агрегация (сумма, среднее) для аналитических запросов.

Какие сценарии использования экспорта?

Что входит в типовую реализацию (deliverables)

• Исходный код экспорта с комментариями
• Документация API в формате OpenAPI (Swagger)
• Скрипты для развёртывания (Docker, docker-compose)
• Примеры интеграции на Python и JavaScript
• Поддержка в течение 30 дней после сдачи
• Возможность интеграции с Sentry для мониторинга ошибок

Сроки и стоимость реализации

Базовая реализация CSV и JSON API с аутентификацией — 1–2 рабочих дня. Добавление webhook с подписью, фильтры и выбор полей — ещё 1 день. Стоимость рассчитывается индивидуально после анализа задачи. Свяжитесь с нами, чтобы обсудить детали. Закажите реализацию экспорта под ключ — получите работающее решение за 2–3 дня.

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.