Разработка промышленной системы парсинга веб-сайтов под ключ

Заказчик обратился с задачей: ежедневно собирать цены и остатки с 20 сайтов конкурентов. Через неделю после запуска первого скрипта на requests все IP заблокировала защита Cloudflare, а ещё через месяц изменилась вёрстка — данные перестали собираться вовсе. Так выглядит типичный провал без промышленного подхода. Мы разрабатываем системы, которые не ломаются: планировщик с приоритетами, ротация резидентных прокси, обход антибот-защит, нормализация и мониторинг. Наш опыт — 15+ проектов для e-commerce, агрегаторов и исследовательских задач. Экономия бюджета на сборе данных достигает 60%, окупаемость системы — 2-3 месяца. Если вам нужна надёжная система сбора данных, свяжитесь с нами для консультации.

Как обойти Cloudflare Bot Management?

Самый сложный кейс — Cloudflare с Bot Fight Mode. Решение: Playwright с реальным fingerprint браузера, обход через puppeteer-extra-plugin-stealth, имитация мышиных движений через CDP. Для особо стойких — ротация IP через резидентные прокси от BrightData или Oxylabs.

Почему парсер ломается через месяц?

Веб-сайты меняют структуру каждые 3-4 недели. Без системы мониторинга вы узнаете о поломке только когда данные перестанут обновляться. Мы встраиваем автоматические проверки: сравнение DOM-схемы с эталоном, процент успешных извлечений, тесты на фикстурах. Типичный показатель стабильной работы — 95%+ успешных парсингов.

Архитектура масштабируемой системы парсинга

Планировщик и очередь задач

Celery с Redis или RabbitMQ — проверенный выбор. Каждый URL — задача с приоритетом, retry-политикой и TTL. Scrapy-cluster или собственный оркестратор координирует воркеры. Используем Python 3.12, Celery 5.3, Redis 7.

Загрузчик страниц

Два режима:

• Статические — httpx с async, connection pooling, keep-alive
• JavaScript-рендеринг — Playwright 1.40 (предпочтительно) или Puppeteer, headless Chromium с управлением профилями

Ротация идентификаторов

Пул прокси (residential или datacenter), смена User-Agent из реальных fingerprint-датасетов, случайные задержки с нормальным распределением, управление куки-сессиями.

Извлечение данных

CSS-селекторы или XPath для стабильных структур. Для сложной логики — parsel (обёртка над lxml). Если структура нестабильна — LLM-экстракция через OpenAI или локальную Ollama с few-shot промптами.

Хранение и нормализация

Raw HTML в S3/MinIO для повторной обработки. Извлечённые данные — PostgreSQL 16 или ClickHouse (для аналитики по миллиардам записей). Дедупликация по URL-хешу + content-hash.

Сравнение подходов: Celery vs Argo Workflows

Для большинства проектов Celery — оптимальный выбор: быстрее внедряется, легче поддерживать. Argo — для Kubernetes-инфраструктур с жёсткими SLA.

Архитектура для высоконагруженного парсинга

[Scheduler] -> [Redis Queue] -> [Fetcher Workers x N]
                                        |
                              [Parser Workers x M]
                                        |
                          [Raw Store S3] + [DB Writer]
                                        |
                              [Monitor / Dashboard]

Fetcher и Parser — разные воркеры. Fetcher I/O bound (100+ async задач на процесс), Parser CPU bound (1 процесс на ядро).

Как настроить парсер за 5 шагов

1. Анализ источников: изучите структуру целевых сайтов, определите объём данных и частоту обновления.
2. Выбор стека: определите, нужен ли JS-рендеринг, какой тип прокси, какую СУБД.
3. Реализация извлечения: напишите селекторы или XPath для каждого поля, протестируйте на фикстурах.
4. Настройка мониторинга: добавьте алерты на падение процента успешных парсингов и изменение DOM.
5. Деплой и обкатка: разверните систему на сервере, прогоните тестовый период 2-3 дня.

Правовые и этические аспекты

Перед запуском: проверка robots.txt, анализ ToS сайта, оценка нагрузки. Для публичных данных это обычно приемлемо. Для закрытых разделов — требуется разрешение. Мы всегда консультируем по legal-рискам.

Процесс работы и сроки

Что входит в работу

• Архитектура системы под ваши источники
• Реализация кода с документацией
• Настройка мониторинга и алертов
• Обучение вашей команды
• Поддержка 1 месяц после запуска
• Гарантия стабильной работы (согласно SLA)

Сроки реализации

Сценарии использования и обслуживание

Мониторинг конкурентов. Цены, ассортимент, наличие — сбор раз в час с историей. Экономия до 60% времени ваших аналитиков.

Агрегация объявлений. OLX, Avito-подобные площадки: десятки тысяч записей в сутки, дедупликация, геокодирование.

Исследовательские задачи. Сбор датасетов для ML, мониторинг тональности, анализ SEO-позиций.

Контентные проекты. Синдикация новостей, агрегация вакансий, каталоги из открытых источников.

Обслуживание системы

Хорошо спроектированная система — не разовая разработка, а инфраструктура с жизненным циклом. Закладывайте 20% времени от разработки в год на поддержку. Мы гарантируем быструю реакцию на поломки.

Оценим ваш проект за 1 день — напишите нам. Закажите разработку системы парсинга под ключ и получите консультацию по архитектуре.

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.