Python: Script Wyciąg z automatycznych sugestii Google dotyczący trendów dla niszowych słów kluczowych wyszukiwania

Skrypt Pythona do przechwytywania trendów z automatycznymi sugestiami

Każdy lubi Trendy Google, ale jest to trochę trudne, jeśli chodzi o słowa kluczowe typu Long Tail. Wszyscy lubimy urzędnika usługa Google Trends aby uzyskać wgląd w zachowanie związane z wyszukiwaniem. Jednak dwie rzeczy uniemożliwiają wielu osobom używanie go do solidnej pracy;

  1. Kiedy musisz znaleźć nowe niszowe słowa kluczowenie to za mało danych w Trendach Google 
  2. Brak oficjalnego API do wysyłania zapytań do trendów Google: Kiedy korzystamy z modułów takich jak pytrendy, wtedy musimy korzystać z serwerów proxy, albo zostaniemy zablokowani. 

W tym artykule podzielę się skryptem Pythona, który napisaliśmy w celu wyeksportowania popularnych słów kluczowych za pośrednictwem usługi Google Autosuggest.

Pobierz i zapisz wyniki autosugestii w czasie 

Załóżmy, że mamy 1,000 początkowych słów kluczowych do wysłania do Google Autosuggest. W zamian prawdopodobnie dostaniemy około 200,000 tys longtail słowa kluczowe. Następnie musimy zrobić to samo tydzień później i porównać te zbiory danych, aby odpowiedzieć na dwa pytania:

  • Jakie są zapytania nowe słowa kluczowe w porównaniu do ostatniego razu? Jest to prawdopodobnie przypadek, którego potrzebujemy. Google uważa, że ​​te zapytania stają się coraz bardziej znaczące - robiąc to, możemy stworzyć własne rozwiązanie Google Autosuggest! 
  • Jakie są zapytania słowa kluczowe już nie zyskuje popularność?

Skrypt jest dość łatwy, a większość kodu, który udostępniłem tutaj. Zaktualizowany kod zapisuje dane z poprzednich uruchomień i porównuje sugestie w czasie. Unikaliśmy baz danych opartych na plikach, takich jak SQLite, aby to uprościć - więc wszystkie dane są przechowywane w poniższych plikach CSV. Umożliwia to importowanie pliku do programu Excel i badanie niszowych trendów dotyczących słów kluczowych w Twojej firmie.

Wykorzystanie tego skryptu w języku Python

  1. Wprowadź początkowy zestaw słów kluczowych, który powinien zostać wysłany do autouzupełniania: words.csv
  2. Dostosuj ustawienia skryptu do swoich potrzeb:
    • JĘZYK: domyślny „en”
    • KRAJ: domyślnie „usa”
  3. Zaplanuj uruchamianie skryptu raz w tygodniu. Możesz także uruchomić go ręcznie, jak chcesz.
  4. Do dalszej analizy użyj keyword_suggestions.csv:
    • pierwszy widziany: jest to data, w której zapytanie pojawiło się po raz pierwszy w autosugestii
    • ostatnio widziany: data ostatniego wyświetlenia zapytania
    • jest nowe: if first_seen == last_seen ustawiliśmy to na Prawdziwy - Po prostu przefiltruj według tej wartości, aby uzyskać nowe popularne wyszukiwania w autosugestii Google.

Oto kod w języku Python

# Pemavor.com Autocomplete Trends
# Author: Stefan Neefischer (stefan.neefischer@gmail.com)
import concurrent.futures
from datetime import date
from datetime import datetime
import pandas as pd
import itertools
import requests
import string
import json
import time

charList = " " + string.ascii_lowercase + string.digits

def makeGoogleRequest(query):
    # If you make requests too quickly, you may be blocked by google 
    time.sleep(WAIT_TIME)
    URL="http://suggestqueries.google.com/complete/search"
    PARAMS = {"client":"opera",
            "hl":LANGUAGE,
            "q":query,
            "gl":COUNTRY}
    response = requests.get(URL, params=PARAMS)
    if response.status_code == 200:
        try:
            suggestedSearches = json.loads(response.content.decode('utf-8'))[1]
        except:
            suggestedSearches = json.loads(response.content.decode('latin-1'))[1]
        return suggestedSearches
    else:
        return "ERR"

def getGoogleSuggests(keyword):
    # err_count1 = 0
    queryList = [keyword + " " + char for char in charList]
    suggestions = []
    for query in queryList:
        suggestion = makeGoogleRequest(query)
        if suggestion != 'ERR':
            suggestions.append(suggestion)

    # Remove empty suggestions
    suggestions = set(itertools.chain(*suggestions))
    if "" in suggestions:
        suggestions.remove("")
    return suggestions

def autocomplete(csv_fileName):
    dateTimeObj = datetime.now().date()
    #read your csv file that contain keywords that you want to send to google autocomplete
    df = pd.read_csv(csv_fileName)
    keywords = df.iloc[:,0].tolist()
    resultList = []

    with concurrent.futures.ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:
        futuresGoogle = {executor.submit(getGoogleSuggests, keyword): keyword for keyword in keywords}

        for future in concurrent.futures.as_completed(futuresGoogle):
            key = futuresGoogle[future]
            for suggestion in future.result():
                resultList.append([key, suggestion])

    # Convert the results to a dataframe
    suggestion_new = pd.DataFrame(resultList, columns=['Keyword','Suggestion'])
    del resultList

    #if we have old results read them
    try:
        suggestion_df=pd.read_csv("keyword_suggestions.csv")
        
    except:
        suggestion_df=pd.DataFrame(columns=['first_seen','last_seen','Keyword','Suggestion'])
    
    suggestionCommon_list=[]
    suggestionNew_list=[]
    for keyword in suggestion_new["Keyword"].unique():
        new_df=suggestion_new[suggestion_new["Keyword"]==keyword]
        old_df=suggestion_df[suggestion_df["Keyword"]==keyword]
        newSuggestion=set(new_df["Suggestion"].to_list())
        oldSuggestion=set(old_df["Suggestion"].to_list())
        commonSuggestion=list(newSuggestion & oldSuggestion)
        new_Suggestion=list(newSuggestion - oldSuggestion)
         
        for suggest in commonSuggestion:
            suggestionCommon_list.append([dateTimeObj,keyword,suggest])
        for suggest in new_Suggestion:
            suggestionNew_list.append([dateTimeObj,dateTimeObj,keyword,suggest])
    
    #new keywords
    newSuggestion_df = pd.DataFrame(suggestionNew_list, columns=['first_seen','last_seen','Keyword','Suggestion'])
    #shared keywords with date update
    commonSuggestion_df = pd.DataFrame(suggestionCommon_list, columns=['last_seen','Keyword','Suggestion'])
    merge=pd.merge(suggestion_df, commonSuggestion_df, left_on=["Suggestion"], right_on=["Suggestion"], how='left')
    merge = merge.rename(columns={'last_seen_y': 'last_seen',"Keyword_x":"Keyword"})
    merge["last_seen"].fillna(merge["last_seen_x"], inplace=True)
    del merge["last_seen_x"]
    del merge["Keyword_y"]
    
    #merge old results with new results
    frames = [merge, newSuggestion_df]
    keywords_df =  pd.concat(frames, ignore_index=True, sort=False)
    # Save dataframe as a CSV file
    keywords_df['first_seen'] = pd.to_datetime(keywords_df['first_seen'])
    keywords_df = keywords_df.sort_values(by=['first_seen','Keyword'], ascending=[False,False])   
    keywords_df['first_seen']= pd.to_datetime(keywords_df['first_seen'])
    keywords_df['last_seen']= pd.to_datetime(keywords_df['last_seen'])
    keywords_df['is_new'] = (keywords_df['first_seen']== keywords_df['last_seen'])
    keywords_df=keywords_df[['first_seen','last_seen','Keyword','Suggestion','is_new']]
    keywords_df.to_csv('keyword_suggestions.csv', index=False)

# If you use more than 50 seed keywords you should slow down your requests - otherwise google is blocking the script
# If you have thousands of seed keywords use e.g. WAIT_TIME = 1 and MAX_WORKERS = 5
WAIT_TIME = 0.2
MAX_WORKERS = 20
# set the autocomplete language
LANGUAGE = "en"
# set the autocomplete country code - DE, US, TR, GR, etc..
COUNTRY="US"
# Keyword_seed csv file name. One column csv file.
#csv_fileName="keyword_seeds.csv"
CSV_FILE_NAME="keywords.csv"
autocomplete(CSV_FILE_NAME)
#The result will save in keyword_suggestions.csv csv file

Pobierz skrypt języka Python

Co o tym myślisz?

Ta strona używa Akismet do redukcji spamu. Dowiedz się, jak przetwarzane są dane komentarza.