Розробка парсера каталогу товарів конкурентів
Парсер каталогу конкурента—це інструмент конкурентної розвідки. Завдання вузьке: регулярно отримувати актуальний список товарів з цінами, характеристиками та наявністю. Не загальна система парсинга, а спеціалізований збирач під конкретний джерело. Результат—актуальна копія каталогу конкурента у вас у базі даних.
Аналіз сайту перед розробкою
До написання кода—аналіз цільового сайту:
- Структура URL каталогу: пагінація через
?page=N, нескінченна прокрутка або tree-навігація по категоріях - Рендеринг: статичний HTML (швидко та просто) або дані підгружаються через XHR/fetch (потрібен перехват або headless)
- Захист: Cloudflare, rate limiting, авторизація
- Частота оновлення даних на сайті—як швидко з'являються нові товари та змінюються ціни
Типовий мінімальний набір полів: SKU / артикул, назва, ціна (звичайна + акційна), наявність, категорія, URL сторінки товара, дата збору. Для деяких ніш важливі: рейтинг, кількість відзивів, вага/габарити, бренд.
Технічна реалізація
Для статичних сайтів—httpx + parsel (або Cheerio для Node.js). Async-запити, пул з'єднань 10–20 воркерів, затримка 1–3 секунди між запитами до одного домену.
import httpx
import asyncio
import random
from parsel import Selector
UA_POOL = [
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36',
]
async def fetch_page(session: httpx.AsyncClient, url: str) -> str:
headers = {
'User-Agent': random.choice(UA_POOL),
'Accept-Language': 'uk-UA,uk;q=0.9',
}
resp = await session.get(url, headers=headers, timeout=15)
resp.raise_for_status()
return resp.text
async def parse_catalog_page(html: str, base_url: str) -> list[dict]:
sel = Selector(html)
products = []
for item in sel.css('.product-card'):
price_raw = item.css('.price::text').get('').strip()
price = int(''.join(c for c in price_raw if c.isdigit())) if price_raw else None
products.append({
'title': item.css('.product-title::text').get('').strip(),
'price': price,
'sku': item.attrib.get('data-sku'),
'url': base_url + item.css('a::attr(href)').get(''),
'in_stock': bool(item.css('.in-stock')),
'image_url': item.css('img::attr(src)').get(),
})
return products
Для SPA з XHR—перехват API-запитів через Playwright. Багато сучасних інтернет-магазинів при відкритті сторінки роблять fetch-запит до власного API, який повертає JSON з даними про товари:
from playwright.async_api import async_playwright
import json
async def intercept_catalog_api(catalog_url: str) -> list[dict]:
products = []
async with async_playwright() as p:
browser = await p.chromium.launch(headless=True)
page = await browser.new_page()
async def handle_response(response):
if '/api/catalog' in response.url and response.status == 200:
try:
data = await response.json()
if 'products' in data:
products.extend(data['products'])
except Exception:
pass
page.on('response', handle_response)
await page.goto(catalog_url, wait_until='networkidle')
await browser.close()
return products
Якщо API повертає JSON напряму—можна обертатися до нього мин Минуючи браузер, що в 10–20 разів швидше. Для пошуку еndpoint'а—DevTools Network вкладка при ручному переході по каталогу.
Пагінація та повний обхід
Для пагінації через ?page=N—послідовний обхід до пустої сторінки:
async def scrape_full_catalog(base_url: str) -> list[dict]:
all_products = []
page_num = 1
async with httpx.AsyncClient() as session:
while True:
url = f'{base_url}?page={page_num}'
html = await fetch_page(session, url)
products = await parse_catalog_page(html, base_url)
if not products:
break
all_products.extend(products)
page_num += 1
await asyncio.sleep(random.uniform(1.5, 3.0)) # вежлива затримка
return all_products
Для категорійного дерева—спочатку рекурсивний збір всіх URL категорій, потім обхід кожної категорії з пагінацією.
Зберігання та інкрементальне оновлення
CREATE TABLE competitor_products (
id SERIAL PRIMARY KEY,
source VARCHAR(100) NOT NULL, -- 'competitor_a', 'competitor_b'
external_id VARCHAR(255) NOT NULL,
title TEXT NOT NULL,
price DECIMAL(10,2),
price_sale DECIMAL(10,2),
in_stock BOOLEAN DEFAULT TRUE,
category VARCHAR(500),
url TEXT NOT NULL,
image_url TEXT,
attributes JSONB DEFAULT '{}',
first_seen TIMESTAMPTZ DEFAULT NOW(),
last_seen TIMESTAMPTZ DEFAULT NOW(),
UNIQUE(source, external_id)
);
CREATE TABLE competitor_price_history (
id BIGSERIAL PRIMARY KEY,
product_id INT REFERENCES competitor_products(id),
price DECIMAL(10,2),
price_sale DECIMAL(10,2),
in_stock BOOLEAN,
scraped_at TIMESTAMPTZ DEFAULT NOW()
);
CREATE INDEX ON competitor_price_history(product_id, scraped_at DESC);
При повторному обході—INSERT ... ON CONFLICT (source, external_id) DO UPDATE SET last_seen = NOW(), price = EXCLUDED.price, .... Запис у історію робиться тільки якщо ціна або наявність змінилися (порівняння з останньою записом через LAG() або зберігання price у основній таблиці).
Розписання та оповіщення
Celery Beat або Node.js cron. Рекомендована частота для каталогу конкурента—раз у 4–12 годин, залежно від динаміки цін у ніші. Для маркетплейсів з швидко мінливими цінами—раз у годину для топ-позицій.
Оповіщення при зниженні ціни конкурента нижче вашої—SQL-запит або тригер PostgreSQL з webhook у Slack/Telegram. Приклад запиту:
SELECT cp.title, cp.price AS competitor_price, mp.price AS my_price
FROM competitor_products cp
JOIN my_products mp ON mp.sku = cp.external_id
WHERE cp.source = 'competitor_a'
AND cp.price < mp.price
AND cp.in_stock = TRUE
ORDER BY (mp.price - cp.price) DESC;
Обробка змін структури сайту
Сайти конкурентів змінюються—парсер ломається. Ознаки ломки: нульовий результат при обході, різкий спад числа знайдених товарів, пусті поля в 80%+ записів. Мониторинг: alert якщо за останній запуск зібрано менше 50% від середнього числа товарів.
Терміни
Парсер статичного каталогу (1 сайт, до 50k товарів)—3–5 днів. З XHR-перехватом та Playwright—5–8 днів. Історія цін, алерти та дашборд—ще 3–5 днів. Підтримка: при зміні структури сайту конкурента—оновлення парсера зазвичай займає 2–4 години.