Python: Script Un extracte de Google Autosuggest de tendències per a les vostres paraules clau de cerca de nínxol

Script Python per capturar tendències de suggeriments automàtics

A tothom li agrada Google Trends, però és una mica complicat pel que fa a les paraules clau Long Tail. A tots ens agrada l’oficial servei de tendències de google per obtenir informació sobre el comportament de la cerca. No obstant això, dues coses impedeixen que molts l’utilitzin per a un treball sòlid;

  1. Quan ho necessiteu trobar noves paraules clau de nínxol, allà no hi ha prou dades a Google Trends 
  2. Falta d'API oficial per fer sol·licituds a Google Tendències: quan fem ús de mòduls com pytrends, llavors hem d'utilitzar servidors intermediaris o ens bloquegem. 

En aquest article, compartiré un script Python que hem escrit per exportar paraules clau de tendència mitjançant Google Autosuggest.

Obteniu i emmagatzemeu resultats de suggeriments automàtics al llarg del temps 

Suposem que tenim 1,000 paraules clau Seed que s’enviaran a Google Autosuggest. A canvi, probablement obtindrem uns 200,000 llarga cua paraules clau. Després, hem de fer el mateix una setmana després i comparar aquests conjunts de dades per respondre a dues preguntes:

  • Quines són les consultes paraules clau noves en comparació amb l'última vegada? Probablement és el cas que necessitem. Google creu que aquestes consultes són cada vegada més importants; en fer-ho, podem crear la nostra pròpia solució de Google Autosuggest. 
  • Quines són les consultes paraules clau ja no tendència?

L’escriptura és bastant fàcil i la majoria del codi l’he compartit aquí. El codi actualitzat guarda les dades d’execucions anteriors i compara els suggeriments al llarg del temps. Vam evitar bases de dades basades en fitxers com SQLite per fer-ho més senzill, de manera que tot l’emmagatzematge de dades utilitza fitxers CSV a continuació. Això us permet importar el fitxer a Excel i explorar tendències de nínxols de paraules clau per al vostre negoci.

Per utilitzar aquest script Python

  1. Introduïu el conjunt de paraules clau inicial que s'hauria d'enviar al completament automàtic: keywords.csv
  2. Ajusteu la configuració de script segons les vostres necessitats:
    • IDIOMA: "ca" per defecte
    • PAÍS: "nosaltres" per defecte
  3. Programa el script per executar-lo un cop per setmana. També podeu executar-lo manualment com vulgueu.
  4. Utilitzeu keyword_suggestions.csv per analitzar-lo més:
    • primer_vist: és la data en què la consulta va aparèixer per primera vegada a l'autosuggest
    • vist per últim cop: la data en què es va veure la consulta per última vegada
    • és_nou: si first_seen == last_seen ho establim en Veritable - Només cal filtrar aquest valor per obtenir les noves cerques de tendències al suggeriment automàtic de Google.

Aquí teniu el codi 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

Baixeu-vos l’escriptura Python

Què et sembla?

Aquest lloc utilitza Akismet per reduir el correu no desitjat. Esbrineu com es processa el vostre comentari.