メインコンテンツへスキップ

概要

OlostepのBatchesエンドポイントを使用すると、最大100,000件のURLのバッチを開始し、5〜7分でコンテンツを取得できます。さらに大規模な処理が必要な場合は、お問い合わせください。 これは、処理したいURLをすでに持っている場合に便利です。例えば、データを集約して分析したり、専門的な検索ツールを構築したり、複数のウェブサイトの変更を監視したりするためです。 このガイドでは、URLのリストを使用してバッチを開始し、マークダウン形式でコンテンツを取得する方法を説明します。

完全なコードのGist

Olostepでバッチスクレイピングを試すためにコピー&ペーストできるすべてのコードを1つのGistにまとめました: https://gist.github.com/olostep/e903f2e4fc28f8093b834b4df68b8031 このGistでは、5つのGoogle検索クエリでバッチを開始し、ステータスを確認し、各アイテムのコンテンツを取得する方法を示しています。

前提条件

始める前に、以下を確認してください:
  • 有効なOlostep APIキー。これはOlostepにサインアップすることで取得できます。
  • システムにPythonがインストールされていること。
  • requestsとhashlibライブラリ(必要に応じてpip install requestsでインストール)。

ステップ1: ローカルURLからバッチを作成

処理したいURLのリストがすでにある場合は、それをスクリプト内で直接定義できます。そうでない場合は、ファイルやデータベースから読み込むことができます。

ステップ2: バッチステータスの監視

バッチが開始されたら、バッチを開始したときに返されるbatch_idを使用してそのステータスを監視できます。
バッチが完了するまで、数秒ごと(例:10秒ごと)にステータスをポーリングできます:

ステップ3: 完了したアイテムの取得

バッチが完了とマークされたら、処理されたアイテムを取得します。
各アイテムには、スクレイプされたコンテンツを取得するためのretrieve_idが含まれています。

ステップ4: コンテンツの取得

retrieve_idを使用して、マークダウン、HTML、JSON形式で抽出されたコンテンツを取得します。ここでは、マークダウン形式でコンテンツを取得する例を示します:

ホストされたコンテンツ

私たちはコンテンツを7日間ホストしているので、再スクレイプすることなく複数回取得できます。 マークダウンコンテンツのホストされたURLの例

使用例

1. 検索エンジンの構築

Olostepを使用して、業界特化型のウェブサイト(法律、医療、AIなど)からコンテンツを抽出し、検索可能なデータベースを構築します。

2. ウェブサイトの監視

製品の在庫状況、価格の変動、ニュースの更新を複数のウェブサイトで監視し、毎日のバッチスクレイプをスケジュールします。

3. ソーシャルメディアの監視

ブランドやキーワードの言及をフォーラムやコンテンツソースでスクレイプし、構造化データを抽出します。

4. アグリゲーター

求人掲示板、ニュースアグリゲーター、不動産リスティングプラットフォームを構築し、数十のソースからデータを取得します。

結論

バッチスクレイピングを使用すると、最大10万件のURLから迅速かつ効率的にコンテンツを抽出できます。検索ツール、アグリゲーター、監視システムを構築する際に、Olostep Batchesは作業を簡素化します。 構造化データのみを抽出したいですか?必要なフィールドだけを取得するためにParsersを使用してください。サポートが必要ですか?info@olostep.comにお問い合わせいただくか、あなたのユースケースに合わせたカスタムスクリプトを作成します。