Stripeのブログページからコンテンツをクロールして抽出する

import requests
import time
import json
from datetime import datetime

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

# クロール期間追跡のために開始時間を記録
crawl_start_time = time.time()

print(f"[{datetime.now().strftime('%H:%M:%S')}] Stripeブログのクロールを開始します...")

# Stripeのエンジニアリングブログ投稿に焦点を当てたクロールを開始
# 特定の興味に基づいてパターンを調整できます
payload = {
    "start_url": "https://stripe.com/blog",
    "include_urls": ["/blog/engineering/**"],  # エンジニアリング投稿に焦点を当てる
    "max_pages": 25  # この例では25ページに制限
}

# クロールを開始
print("Stripeのエンジニアリングブログ投稿のクロールを開始します...")
response = requests.post(f'{API_URL}/crawls', headers=HEADERS, json=payload)
data = response.json()
crawl_id = data['id']
print(f"クロールがID: {crawl_id}で開始されました")

# クロールの進行状況を監視
while True:
    status_response = requests.get(f'{API_URL}/crawls/{crawl_id}', headers=HEADERS)
    status_data = status_response.json()
    print(f"クロールステータス: {status_data['status']} - クロールされたページ数: {status_data.get('pages_count', 0)}")
    
    if status_data['status'] == 'completed' or status_data['status'] == 'failed':
        break
        
    # 再確認する前に5秒待機
    time.sleep(5)

# クロール期間を計算して表示
crawl_duration = time.time() - crawl_start_time
print(f"[{datetime.now().strftime('%H:%M:%S')}] クロールが{crawl_duration:.2f}秒で完了しました")

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

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

# Markdown形式でコンテンツを取得する関数
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()

# 前のクロール例から続行
if status_data['status'] == 'completed':
    print(f"\nクロール完了！{status_data['pages_count']}ページを取得しました。")
    pages_response = requests.get(f'{API_URL}/crawls/{crawl_id}/pages', headers=HEADERS)
    pages_data = pages_response.json()
    
    # 出力ディレクトリが存在しない場合は作成
    os.makedirs("output", exist_ok=True)
    
    # Markdownコンテンツを収集する準備
    markdown_pages = []
    total_pages = len(pages_data['pages'])
    
    # ページを並行して処理してMarkdownコンテンツを取得
    with ThreadPoolExecutor(max_workers=10) as executor:
        # コンテンツ取得のためのフューチャーを作成
        future_to_page = {
            executor.submit(retrieve_content, page['retrieve_id'], ["markdown"]): page
            for page in pages_data['pages']
        }
        
        # 完了した結果を処理
        for i, future in enumerate(as_completed(future_to_page), 1):
            page = future_to_page[future]
            url = page['url']
            print(f"処理中 {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"✓ {url}のMarkdownコンテンツを取得しました")
                else:
                    print(f"⚠ {url}のMarkdownコンテンツがありません")
            except Exception as e:
                print(f"❌ {url}のコンテンツ取得エラー: {str(e)}")
    
    # すべてのMarkdownコンテンツを単一ファイルに保存
    output_file = "output/stripe_blog_markdown.md"
    
    with open(output_file, "w", encoding="utf-8") as f:
        for page in markdown_pages:
            # タイトルとURLを含むページヘッダーを書き込み
            f.write(f"URL: {page['url']}\n\n")
            
            # Markdownコンテンツを書き込み
            f.write(f"{page['markdown_content']}\n\n")
            
            # ページ間の区切りを追加
            f.write("---\n\n")
            
            print(f"✓ {page['url']}からのMarkdownコンテンツを追加しました")

    print(f"\n✅ 処理完了！すべてのMarkdownコンテンツが'{output_file}'に保存されました")
    print(f"処理されたページ数: {len(markdown_pages)}")
else:
    print(f"クロールがステータス: {status_data['status']}で失敗しました")