Crawler et extraire le contenu des pages de blog de Stripe

import requests
import time
import json
from datetime import datetime

# Configuration
API_URL = 'https://api.olostep.com/v1'
API_KEY = '<your_olostep_api_key>'
HEADERS = {
    'Content-Type': 'application/json',
    'Authorization': f'Bearer {API_KEY}'
}

# Enregistrer l'heure de début pour suivre la durée du crawl
crawl_start_time = time.time()

print(f"[{datetime.now().strftime('%H:%M:%S')}] Début du crawl du blog de Stripe...")

# Démarrer un crawl axé sur les articles de blog d'ingénierie de Stripe
# Vous pouvez ajuster les motifs en fonction de vos intérêts spécifiques
payload = {
    "start_url": "https://stripe.com/blog",
    "include_urls": ["/blog/engineering/**"],  # Se concentrer sur les articles d'ingénierie
    "max_pages": 25  # Limiter à 25 pages pour cet exemple
}

# Démarrer le crawl
print("Démarrage du crawl des articles de blog d'ingénierie de Stripe...")
response = requests.post(f'{API_URL}/crawls', headers=HEADERS, json=payload)
data = response.json()
crawl_id = data['id']
print(f"Crawl démarré avec l'ID : {crawl_id}")

# Surveiller la progression du crawl
while True:
    status_response = requests.get(f'{API_URL}/crawls/{crawl_id}', headers=HEADERS)
    status_data = status_response.json()
    print(f"Statut du crawl : {status_data['status']} - Pages crawled : {status_data.get('pages_count', 0)}")
    
    if status_data['status'] == 'completed' or status_data['status'] == 'failed':
        break
        
    # Attendre 5 secondes avant de vérifier à nouveau
    time.sleep(5)

# Calculer et afficher la durée du crawl
crawl_duration = time.time() - crawl_start_time
print(f"[{datetime.now().strftime('%H:%M:%S')}] Crawl terminé en {crawl_duration:.2f} secondes")

import requests
import time
import json
from datetime import datetime
import os
from concurrent.futures import ThreadPoolExecutor, as_completed

# Configuration
API_URL = 'https://api.olostep.com/v1'
API_KEY = '<your_olostep_api_key>'
HEADERS = {
    'Content-Type': 'application/json',
    'Authorization': f'Bearer {API_KEY}'
}

# Fonction pour récupérer le contenu au format markdown
def retrieve_content(retrieve_id, formats):
    params = {
        "retrieve_id": retrieve_id,
        "formats": json.dumps(formats)
    }
    response = requests.get(f"{API_URL}/retrieve", headers=HEADERS, params=params)
    return response.json()

# Suite de l'exemple de crawl précédent
if status_data['status'] == 'completed':
    print(f"\nCrawl terminé ! {status_data['pages_count']} pages récupérées.")
    pages_response = requests.get(f'{API_URL}/crawls/{crawl_id}/pages', headers=HEADERS)
    pages_data = pages_response.json()
    
    # Créer le répertoire de sortie s'il n'existe pas
    os.makedirs("output", exist_ok=True)
    
    # Préparer la collecte du contenu markdown
    markdown_pages = []
    total_pages = len(pages_data['pages'])
    
    # Traiter les pages en parallèle pour obtenir le contenu markdown
    with ThreadPoolExecutor(max_workers=10) as executor:
        # Créer des futures pour la récupération de contenu
        future_to_page = {
            executor.submit(retrieve_content, page['retrieve_id'], ["markdown"]): page
            for page in pages_data['pages']
        }
        
        # Traiter les résultats au fur et à mesure qu'ils se terminent
        for i, future in enumerate(as_completed(future_to_page), 1):
            page = future_to_page[future]
            url = page['url']
            print(f"Traitement {i}/{total_pages} : {url}")
            
            try:
                content_data = future.result()
                if content_data and "markdown_content" in content_data:
                    markdown_pages.append({
                        'url': url,
                        'title': page['title'],
                        'markdown_content': content_data['markdown_content']
                    })
                    print(f"✓ Contenu markdown récupéré pour {url}")
                else:
                    print(f"⚠ Pas de contenu markdown pour {url}")
            except Exception as e:
                print(f"❌ Erreur lors de la récupération du contenu pour {url} : {str(e)}")
    
    # Enregistrer tout le contenu markdown dans un seul fichier
    output_file = "output/stripe_blog_markdown.md"
    
    with open(output_file, "w", encoding="utf-8") as f:
        for page in markdown_pages:
            # Écrire l'en-tête de la page avec le titre et l'URL
            f.write(f"URL : {page['url']}\n\n")
            
            # Écrire le contenu markdown
            f.write(f"{page['markdown_content']}\n\n")
            
            # Ajouter un séparateur entre les pages
            f.write("---\n\n")
            
            print(f"✓ Contenu markdown ajouté depuis {page['url']}")

    print(f"\n✅ Processus terminé ! Tout le contenu markdown a été enregistré dans '{output_file}'")
    print(f"Total des pages traitées : {len(markdown_pages)}")
else:
    print(f"Le crawl a échoué avec le statut : {status_data['status']}")