Python

Парсер 2ГИС: ограничения и альтернативы

Парсер — это программа или сервис, который берет данные из одного места, разбирает их по правилам и превращает в удобный вид: таблицу, файл, базу данных, отчет или уведомление. В случае 2ГИС важно думать не только о технической стороне, но и о правилах доступа к данным

Самая простая схема выглядит так:

источник -> получение данных -> разбор -> очистка -> сохранение -> проверка

Например, можно взять список товаров, выделить название и цену, убрать лишние символы и сохранить результат в таблицу. Но реальная работа почти всегда сложнее: сайт меняет разметку, часть данных загружается скриптами, есть ограничения по частоте запросов, а некоторые данные нельзя собирать без разрешения

Когда парсер действительно нужен

Парсер полезен, когда однотипные данные нужно получать регулярно. Если нужно один раз скопировать пять строк, проще сделать это руками. Если нужно каждый день проверять десятки страниц, сравнивать цены, обновлять каталог или собирать открытые публикации, автоматизация уже имеет смысл

Типичные задачи:

проверить свои карточки
собрать разрешенный список партнеров
вести ручную таблицу компаний
анализировать категории без нарушения правил

Перед созданием парсера сформулируйте результат. Не «собрать все», а «получить таблицу с названием, ссылкой, датой и статусом». Чем точнее результат, тем легче выбрать безопасный способ получения данных

По этой теме полезно отдельно посмотреть Составьте еженедельное расписание занятий, чтобы расширить контекст и сравнить подходы

По этой теме полезно отдельно посмотреть Аннотации типов для декораторов в Python, чтобы расширить контекст и сравнить подходы

Безопасный подход

Для 2ГИС сначала ищите официальные и разрешенные варианты:

официальные продукты и API при доступности
ручная проверка
собственные CRM-данные
публичные открытые источники с разрешением

Это не формальность. Официальный API или экспорт обычно стабильнее, понятнее и безопаснее, чем попытка разбирать HTML-страницы. Если сервис дает API, лучше начать с него. Если есть выгрузка CSV или Excel, иногда она полностью закрывает задачу без сложной разработки

Если официального доступа нет, проверьте правила сервиса, robots.txt, пользовательское соглашение и ограничения. Не пытайтесь обходить авторизацию, капчу, платный доступ, техническую защиту или лимиты. Такой подход может привести к блокировке, юридическим рискам и проблемам для сайта

Какие данные можно собирать

Разумнее работать с открытыми, не чувствительными данными, которые нужны для понятной задачи. Даже если данные видны в браузере, это не всегда означает, что их можно массово копировать и использовать как угодно

Особенно осторожно относитесь к:

персональным данным;
телефонам и email;
закрытым профилям;
отзывам с именами людей;
данным из личных кабинетов;
контенту, защищенному авторским правом;
данным, полученным после авторизации

Если задача связана с клиентскими данными, лучше получить явное разрешение и использовать официальный экспорт. Если задача коммерческая, стоит заранее уточнить правила источника

Из чего состоит парсер

Даже простой парсер состоит из нескольких частей:

Получение данных
Проверка ответа
Разбор структуры
Очистка значений
Сохранение результата
Обработка ошибок
Логи и повторный запуск

Новички часто пишут только третий пункт: «найти нужный элемент». Но без проверки ответа и обработки ошибок парсер ломается при первом изменении страницы, сетевой ошибке или пустом результате

Минимальная логика должна отвечать на вопросы: источник доступен, данные пришли, нужные поля найдены, результат не пустой, файл сохранился, ошибки видны в логе. Если ответ на любой вопрос «не знаю», парсер трудно поддерживать

Пример структуры результата

Перед кодом полезно представить таблицу:

Название | Ссылка | Дата | Категория | Статус проверки

Для 2ГИС набор полей зависит от задачи. Для каталога это может быть название, цена, наличие и ссылка. Для публикаций — заголовок, автор, дата, адрес. Для видео — название, дата, канал, длительность. Для справочника — организация, категория, сайт и город, если это разрешено правилами источника

Не собирайте лишние поля «на всякий случай». Лишние данные усложняют хранение, проверку и ответственность. Лучше начать с минимального набора, который нужен для решения задачи

Как проверять качество данных

Парсер может технически работать, но собирать мусор. Поэтому нужна проверка:

сколько строк найдено;
нет ли пустых обязательных полей;
не появились ли дубли;
корректны ли ссылки;
не изменился ли формат даты;
нет ли странных значений;
совпадает ли выборочная проверка с источником

После первого запуска откройте 10-20 строк вручную и сравните с источником. Если ошибка повторяется, исправляйте правило разбора. Если ошибки разные, возможно, источник неоднородный и нужны дополнительные условия

Частые риски

Для 2ГИС особенно важно учитывать:

правила справочника
контактные данные
частота запросов
точность карточек

Риск не всегда означает «нельзя». Он означает, что нужно заранее выбрать аккуратный способ. Например, если источник часто меняет разметку, лучше использовать API или экспорт. Если есть лимиты, нужно соблюдать частоту запросов. Если данные чувствительные, лучше отказаться от сбора или согласовать доступ

Ошибки новичков

Первая ошибка — сразу писать код без понимания результата. В итоге парсер что-то собирает, но таблица не отвечает на задачу

Вторая ошибка — не проверять правила источника. Техническая возможность не равна разрешению

Третья ошибка — делать слишком частые запросы. Это может нагружать сервис и привести к блокировке

Четвертая ошибка — не сохранять логи. Когда парсер перестает работать, непонятно, где проблема: сеть, источник, разбор или запись файла

Пятая ошибка — не учитывать изменения структуры. Любой сайт может поменяться. Парсер должен показывать, что данные стали пустыми или необычными

Как сделать первую версию

План первой версии:

Определить источник и проверить правила доступа
Сформулировать поля результата
Найти официальный API, экспорт или разрешенный способ получения
Собрать 5-10 тестовых записей
Очистить значения и привести их к единому виду
Сохранить результат в CSV или таблицу
Сравнить несколько строк с источником вручную
Добавить обработку пустого результата и ошибок
Записать ограничения первой версии

Не начинайте с автоматического запуска по расписанию. Сначала парсер должен стабильно отработать вручную и дать понятный результат. Автоматизация плохого процесса только быстрее производит ошибки

Поддержка и обновления

Парсер — это не одноразовая магия. Источник может поменяться, поля могут исчезнуть, доступ может стать ограниченным, формат ответа может обновиться. Поэтому важно хранить не только код, но и описание: откуда берутся данные, какие поля ожидаются, какие ограничения учтены, как проверить результат

Если парсер нужен для бизнеса, добавьте уведомление об ошибке. Молчаливый сбой опасен: вы думаете, что данные обновляются, а на самом деле файл пустой или устаревший

Чек-лист

Есть понятная цель сбора
Проверены правила источника
Используется разрешенный способ доступа
Поля результата заранее описаны
Лишние персональные данные не собираются
Есть проверка пустого результата
Есть лог ошибок
Есть ручная выборочная проверка
Частота запросов не создает нагрузку
Результат можно объяснить и повторить

Мини-парсер выгрузки из справочника

Для 2ГИС и похожих справочников сначала проверяют официальные условия, партнерские инструменты и разрешенные выгрузки. Учебный вариант ниже работает с CSV-файлом: это безопасный способ понять, как нормализовать справочник компаний без обращения к чужому сервису

Создайте companies.csv:

name,category,city,address,site
Кофейня Север,кофейня,Казань,Баумана 10,https://example-cafe.ru
Студия Свет,салон красоты,Казань,Пушкина 7,
Кофейня Север,кофейня,Казань,Баумана 10,https://example-cafe.ru

Создайте parser.py:

import csv
from pathlib import Path

SOURCE = Path("companies.csv")
RESULT = Path("companies_clean.csv")

def clean(value: str) -> str:
    return " ".join((value or "").split())

rows = []
seen = set()

with SOURCE.open(encoding="utf-8") as file:
    reader = csv.DictReader(file)
    for source_row in reader:
        row = {
            "name": clean(source_row.get("name", "")),
            "category": clean(source_row.get("category", "")).lower(),
            "city": clean(source_row.get("city", "")),
            "address": clean(source_row.get("address", "")),
            "site": clean(source_row.get("site", "")),
        }
        key = (row["name"].lower(), row["city"].lower(), row["address"].lower())
        if key in seen:
            continue
        seen.add(key)
        rows.append(row)

if not rows:
    raise SystemExit("Выгрузка пустая")

without_site = [row for row in rows if not row["site"]]

with RESULT.open("w", newline="", encoding="utf-8") as file:
    writer = csv.DictWriter(file, fieldnames=["name", "category", "city", "address", "site"])
    writer.writeheader()
    writer.writerows(rows)

print(f"Компаний после очистки: {len(rows)}")
print(f"Без сайта: {len(without_site)}")

Такой пример полезен даже без сложного HTML-разбора. В реальной работе справочник чаще ломается не на «достать страницу», а на качестве данных: дубли, разные категории, пустые сайты, разные написания адресов

Как применить к рабочей задаче

Сначала определите, что именно нужно получить: список своих филиалов, партнеров, конкурентов для ручного исследования или внутренний справочник. Затем проверьте, какой способ получения данных разрешен. Если есть официальный экспорт или партнерская интеграция, используйте ее

Для первого рабочего файла достаточно пяти колонок: название, категория, город, адрес, сайт. Телефон, email и другие чувствительные данные добавляйте только если есть понятное разрешение и реальная необходимость

Проверка качества выгрузки

нет пустых названий;
город написан одинаково;
адрес не потерял номер дома;
дубли удалены по понятному ключу;
сайт указан не в каждой строке, но пустые значения видны;
несколько компаний проверены вручную

Как организовать рабочую папку

Чтобы пример по теме работы с разрешенными данными 2ГИС не остался отдельным фрагментом, заведите маленькую рабочую папку. В ней должны быть входной файл gis_sample.html, скрипт, CSV-результат и короткая заметка о запуске

parser-demo/
  parser.py
  companies.csv
  companies_clean.csv
  README.md

В README.md достаточно указать источник данных, разрешенный способ получения, ожидаемые поля и команду запуска. Для темы работы с разрешенными данными 2ГИС это важнее длинного описания: через неделю вы быстро поймете, что именно проверяет скрипт

Для первого рабочего варианта источник должен быть понятным: разрешенная выгрузка, партнерский экспорт или собственный CSV. Этот подход начинается с таблицы и не требует спорного доступа к сервису. Если пример сразу требует авторизации, обхода защиты, сложного браузерного управления и десятков настроек, он слишком тяжелый для старта. Сначала нужна маленькая версия, которую можно объяснить словами

Как проверить результат

Для темы разрешенных данных 2ГИС успешный запуск означает не просто созданный файл. Откройте gis_companies.csv рядом с исходником gis_sample.json и вручную проверьте несколько строк: первую, последнюю и одну из середины

В каждой строке должно быть понятно, откуда взялись поля name и address. Если значение пустое, странное или повторяется, не прячьте его в общей таблице. Лучше вывести предупреждение или сохранить отдельный список строк для ручной проверки

Мини-валидатор под эту задачу

Для первой версии хватит простой проверки: обязательное поле заполнено, дополнительное поле не потерялось, дубль не прошел незаметно. Такой валидатор не заменяет просмотр результата, но быстро показывает, где таблица стала сомнительной

def validate_rows(rows, primary_field="name", secondary_field="address"):
    errors = []
    seen = set()

    for number, row in enumerate(rows, start=1):
        primary_value = str(row.get(primary_field, "")).strip()
        secondary_value = str(row.get(secondary_field, "")).strip()

        if not primary_value:
            errors.append(f"Строка {number}: пустое поле {primary_field}")

        if not secondary_value:
            errors.append(f"Строка {number}: пустое поле {secondary_field}")

        key = primary_value.lower()
        if key and key in seen:
            errors.append(f"Строка {number}: возможный дубль {primary_value}")
        seen.add(key)

    return errors

Для разрешенных данных 2ГИС эта проверка закрывает главный риск первой версии: коммерческие ограничения, телефоны, дубли организаций и устаревшие адреса. Если ошибок много, не расширяйте сбор. Сначала разберитесь, почему базовые поля не держатся стабильно

Что добавить во вторую версию

Когда первая таблица проверена руками, можно добавлять улучшения. Для разрешенных данных 2ГИС полезны лог запуска, отдельный файл ошибок, сохранение исходного ответа, проверка дублей по надежному ключу и понятное имя результата, чтобы новый запуск не перетирал старый файл

Не добавляйте расписание, интерфейс и десятки настроек до того, как стало ясно, что маленькая версия решает задачу. Иначе вы будете отлаживать оболочку вокруг данных, которым еще нельзя доверять

Где граница безопасной работы

Главный фокус здесь — проверять легальный источник данных и не собирать справочник массово без разрешения. Перед переходом к живому источнику проверьте правила доступа, наличие API или выгрузки, ограничения по частоте и состав данных. Если появляются персональные данные, закрытые страницы, авторизация или техническая защита, задачу нужно пересобрать более аккуратно

Хорошая первая версия должна быть узкой: понятный источник, понятные поля, проверяемый CSV и честно записанные ограничения. Такой инструмент проще поддерживать и легче объяснить другому человеку

Критерии готовности

входной файл gis_sample.json описан рядом со скриптом
результат сохраняется в gis_companies.csv
поле name не бывает пустым без предупреждения
поле address проверяется отдельно
дубли либо удаляются, либо помечаются
несколько строк сверены вручную
ограничения источника записаны обычным языком
следующий шаг понятен и не требует переписывать все заново

Часто задаваемые вопросы

Можно ли парсить 2ГИС напрямую?

Сначала нужно проверять официальные условия, партнерские решения, экспорт и разрешенные способы работы с данными

На чем тренироваться?

На своей таблице компаний, разрешенной выгрузке или тестовом CSV. Так можно собрать рабочую логику без спорного доступа

Какие поля нужны чаще всего?

Название, категория, город, адрес, сайт, телефон только при наличии разрешения, а также источник и дата проверки

Что опасно собирать?

Лишние персональные данные, закрытую информацию и данные через обход ограничений

Как проверить качество?

Сравните несколько строк с исходной таблицей, проверьте пустые адреса, дубли и одинаковое написание городов

0 комментариев

Старые

Новые Популярные