Python

Парсер для шоурума: как собирать данные

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 шоурума и товарных источников 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:

обновлять остатки
сравнивать цены
вести каталог
готовить выгрузку для сайта

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 шоурума и товарных источников сначала ищите официальные и разрешенные варианты:

экспорт поставщика
собственная таблица
API магазина или CRM
ручная сверка

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 шоурума и товарных источников 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 шоурума и товарных источников особенно важно учитывать:

ошибки остатков
разные названия товаров
фотографии без прав
устаревшие цены

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 для шоурума: прайс поставщика в CSV

Для шоурума самый полезный первый парсер часто работает не с сайтом, а с прайсом поставщика. Поставщик присылает CSV или Excel, а вам нужно привести названия, артикулы, цены и наличие к единому виду

Создайте supplier_price.csv:

sku,title,price,stock,category
DR-001,Платье миди,5900,7,платья
JK-014,Жакет льняной,8200,0,жакеты
DR-001,Платье миди,5900,7,платья
SH-205,Рубашка хлопковая,,3,рубашки

Создайте parser.py:

import csv
from pathlib import Path

SOURCE = Path("supplier_price.csv")
RESULT = Path("showroom_catalog.csv")

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

def parse_price(value: str) -> int | None:
    value = clean(value).replace(" ", "")
    if not value:
        return None
    return int(value)

rows = []
seen_sku = set()
errors = []

with SOURCE.open(encoding="utf-8") as file:
    reader = csv.DictReader(file)
    for line_number, source_row in enumerate(reader, start=2):
        sku = clean(source_row.get("sku", ""))
        title = clean(source_row.get("title", ""))
        price = parse_price(source_row.get("price", ""))

        if not sku or not title:
            errors.append(f"Строка {line_number}: нет артикула или названия")
            continue

        if sku in seen_sku:
            errors.append(f"Строка {line_number}: дубль артикула {sku}")
            continue

        seen_sku.add(sku)
        rows.append({
            "sku": sku,
            "title": title,
            "price": price if price is not None else "",
            "stock": clean(source_row.get("stock", "")),
            "category": clean(source_row.get("category", "")).lower(),
            "needs_price_check": "yes" if price is None else "no",
        })

with RESULT.open("w", newline="", encoding="utf-8") as file:
    writer = csv.DictWriter(
        file,
        fieldnames=["sku", "title", "price", "stock", "category", "needs_price_check"],
    )
    writer.writeheader()
    writer.writerows(rows)

print(f"В каталог попало позиций: {len(rows)}")
print(f"Ошибок найдено: {len(errors)}")
for error in errors:
    print(error)

Запуск:

python parser.py

После запуска появится showroom_catalog.csv. В нем останется одна строка на артикул, а позиция без цены получит отметку needs_price_check. Это уже полезная заготовка для ручной проверки перед загрузкой в каталог или CRM

Как расширить пример под реальный шоурум

Сначала добавьте правила только для одного поставщика. Не пытайтесь сразу объединить пять разных прайсов: у них будут разные названия колонок, валюты, категории и обозначения наличия

Когда первый прайс стабильно обрабатывается, добавьте:

словарь соответствия категорий;
наценку или пересчет валюты;
проверку минимальной цены;
отчет по товарам без фото;
отдельный файл ошибок;
дату обновления прайса

Такой парсер экономит время не потому, что «сам все решает», а потому что каждый день приводит входящие данные к одному формату. Человек проверяет спорные строки, а не переписывает весь прайс руками

Какие проверки обязательны

артикул не пустой;
название не пустое;
цена заполнена или отмечена для проверки;
дубли артикулов не попали в итоговый каталог;
категории приведены к одному виду;
количество на складе не потерялось;
несколько строк сверены с исходным прайсом

Как организовать рабочую папку

Чтобы пример по теме учета шоурума не остался отдельным фрагментом, заведите маленькую рабочую папку. В ней должны быть входной файл showroom_catalog.html, скрипт, CSV-результат и короткая заметка о запуске

parser-demo/
  parser.py
  supplier_price.csv
  showroom_catalog.csv
  README.md

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

Для первого рабочего варианта источник должен быть понятным: прайс поставщика, CSV, Excel или внутренняя таблица. Этот подход работает с файлом поставщика и помогает проверить данные перед загрузкой. 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 учета шоурума успешный запуск означает не просто созданный файл. Откройте showroom_items.csv рядом с исходником showroom_catalog.html и вручную проверьте несколько строк: первую, последнюю и одну из середины

В каждой строке должно быть понятно, откуда взялись поля sku и price. 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="sku", secondary_field="price"):
    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 учета шоурума эта проверка закрывает главный риск первой версии: устаревшие остатки, разные варианты одной позиции и пустые цены. 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 учета шоурума 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 — получить аккуратную таблицу товаров, цен, наличия и статусов для ручной сверки. 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 showroom_catalog.html описан рядом со скриптом
результат сохраняется в showroom_items.csv
поле sku не бывает пустым без предупреждения
поле price 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

Зачем шоуруму парсер?

Чтобы быстрее приводить прайсы поставщиков к единому виду: название, артикул, цена, наличие и категория

С чего начать без разработки сайта?

С CSV или Excel-прайса. Это понятнее и надежнее, чем сразу разбирать страницы поставщика

Какие ошибки встречаются чаще всего?

Разные названия колонок, цены с пробелами, пустые артикулы, дубли и разные обозначения наличия

Что проверять перед загрузкой в каталог?

Пустые обязательные поля, дубли артикулов, цены ниже нуля, неизвестные категории и дату обновления прайса

Когда нужен более сложный парсер?

Когда поставщики отдают данные в разных форматах, прайсы приходят регулярно, а ручное сведение занимает слишком много времени

0 комментариев

Старые

Новые Популярные