Esegui il crawl e estrai contenuti dalle pagine del blog di Stripe

import requests
import time
import json
from datetime import datetime

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

# Registra l'ora di inizio per il monitoraggio della durata del crawl
crawl_start_time = time.time()

print(f"[{datetime.now().strftime('%H:%M:%S')}] Inizio del crawl del blog di Stripe...")

# Inizia un crawl focalizzato sui post del blog di ingegneria di Stripe
# Puoi adattare i pattern in base ai tuoi interessi specifici
payload = {
    "start_url": "https://stripe.com/blog",
    "include_urls": ["/blog/engineering/**"],  # Focalizzati sui post di ingegneria
    "max_pages": 25  # Limita a 25 pagine per questo esempio
}

# Avvia il crawl
print("Inizio del crawl dei post del blog di ingegneria di Stripe...")
response = requests.post(f'{API_URL}/crawls', headers=HEADERS, json=payload)
data = response.json()
crawl_id = data['id']
print(f"Crawl avviato con ID: {crawl_id}")

# Monitora l'avanzamento del crawl
while True:
    status_response = requests.get(f'{API_URL}/crawls/{crawl_id}', headers=HEADERS)
    status_data = status_response.json()
    print(f"Stato del crawl: {status_data['status']} - Pagine scansionate: {status_data.get('pages_count', 0)}")
    
    if status_data['status'] == 'completed' or status_data['status'] == 'failed':
        break
        
    # Attendi 5 secondi prima di controllare di nuovo
    time.sleep(5)

# Calcola e visualizza la durata del crawl
crawl_duration = time.time() - crawl_start_time
print(f"[{datetime.now().strftime('%H:%M:%S')}] Crawl completato in {crawl_duration:.2f} secondi")

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

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

# Funzione per recuperare il contenuto in formato 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()

# Continuando dall'esempio di crawl precedente
if status_data['status'] == 'completed':
    print(f"\nCrawl completato! Recuperate {status_data['pages_count']} pagine.")
    pages_response = requests.get(f'{API_URL}/crawls/{crawl_id}/pages', headers=HEADERS)
    pages_data = pages_response.json()
    
    # Crea la directory di output se non esiste
    os.makedirs("output", exist_ok=True)
    
    # Prepara a raccogliere il contenuto markdown
    markdown_pages = []
    total_pages = len(pages_data['pages'])
    
    # Elabora le pagine in parallelo per ottenere il contenuto markdown
    with ThreadPoolExecutor(max_workers=10) as executor:
        # Crea future per il recupero del contenuto
        future_to_page = {
            executor.submit(retrieve_content, page['retrieve_id'], ["markdown"]): page
            for page in pages_data['pages']
        }
        
        # Elabora i risultati man mano che vengono completati
        for i, future in enumerate(as_completed(future_to_page), 1):
            page = future_to_page[future]
            url = page['url']
            print(f"Elaborazione {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"✓ Contenuto markdown recuperato per {url}")
                else:
                    print(f"⚠ Nessun contenuto markdown per {url}")
            except Exception as e:
                print(f"❌ Errore nel recupero del contenuto per {url}: {str(e)}")
    
    # Salva tutto il contenuto markdown in un unico file
    output_file = "output/stripe_blog_markdown.md"
    
    with open(output_file, "w", encoding="utf-8") as f:
        for page in markdown_pages:
            # Scrivi l'intestazione della pagina con titolo e URL
            f.write(f"URL: {page['url']}\n\n")
            
            # Scrivi il contenuto markdown
            f.write(f"{page['markdown_content']}\n\n")
            
            # Aggiungi un separatore tra le pagine
            f.write("---\n\n")
            
            print(f"✓ Aggiunto contenuto markdown da {page['url']}")

    print(f"\n✅ Processo completato! Tutto il contenuto markdown è stato salvato in '{output_file}'")
    print(f"Totale pagine elaborate: {len(markdown_pages)}")
else:
    print(f"Crawl fallito con stato: {status_data['status']}")