Python: Сценарій - Google Autosuggest Extract of Trends for Your Niche Search Keywords

Всім подобається Google Trends, але це трохи складно, коли справа стосується ключових слів з довгим хвостом. Всім нам подобається офіційне служба трендів google - - для отримання уявлення про поведінку пошуку. Однак дві речі заважають багатьом використовувати його для надійної роботи;

1. Коли потрібно знайти нові нішеві ключові слова, там недостатньо даних про Google Trends 
2. Відсутність офіційного API для надсилання запитів на тренди Google: Коли ми використовуємо такі модулі, як пітренди, тоді ми повинні використовувати проксі-сервери, або нас заблокують. 

У цій статті я поділюсь сценарієм Python, який ми написали для експорту ключових слів у тренді через Google Autosuggest.

Отримати та зберігати результати автосумування з часом 

Припустимо, у нас є 1,000 ключових слів для насіння, які слід надіслати до Google Autosuggest. Натомість ми, мабуть, отримаємо близько 200,000 XNUMX Довгий хвіст ключові слова. Потім нам потрібно зробити те ж саме через тиждень і порівняти ці набори даних, щоб відповісти на два запитання:

• Які запити нові ключові слова порівняно з минулим часом? Це, мабуть, той випадок, який нам потрібен. Google вважає, що ці запити стають все більш значущими - цим ми можемо створити власне рішення Google Autosuggest! 
• Які запити ключових слів більше немає в тренді?

Сценарій досить простий, і більшість коду я поділився тут. Оновлений код зберігає дані з минулих запусків та порівняння пропозицій з часом. Ми уникали файлових баз даних, таких як SQLite, щоб зробити це простішим - тому все сховище даних використовує файли CSV, наведені нижче. Це дозволяє імпортувати файл у Excel та досліджувати тенденції ключових слів для вашого бізнесу.

Використання цього сценарію Python

1. Введіть набір ключових слів, який слід надіслати до автозаповнення: keywords.csv
2. Налаштуйте параметри сценарію відповідно до своїх потреб:
   • МОВА: за замовчуванням “en”
   • КРАЇНА: за замовчуванням “ми”
3. Заплануйте, щоб сценарій запускався раз на тиждень. Ви також можете запустити його вручну, як завгодно.
4. Використовуйте keyword_suggestions.csv для подальшого аналізу:
   • вперше побачено: це дата, коли запит з’явився вперше в автопропозиції
   • Востаннє бачили: дата, коли запит бачився востаннє
   • є_новим: якщо first_seen == last_seen, ми встановлюємо це значення Правда - Просто відфільтруйте це значення, щоб отримати нові популярні пошукові запити в автосугесті Google.

Ось код 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

Завантажте скрипт Python