Python: Script A Google Autosuggest ดึงเทรนด์สำหรับคำค้นหาเฉพาะกลุ่มของคุณ

Python Script เพื่อจับภาพเทรนด์ที่แนะนำโดยอัตโนมัติ

ทุกคนชอบ Google เทรนด์ แต่มันค่อนข้างยุ่งยากเมื่อพูดถึงคำหลักแบบหางยาว เราทุกคนชอบอย่างเป็นทางการ บริการ Google Trends เพื่อรับข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมการค้นหา อย่างไรก็ตามมีสองสิ่งที่ป้องกันไม่ให้หลายคนใช้มันสำหรับงานที่มั่นคง

  1. เมื่อคุณต้องการค้นหา คำหลักเฉพาะใหม่มี ข้อมูลใน Google เทรนด์ไม่เพียงพอ 
  2. ขาด API อย่างเป็นทางการสำหรับส่งคำขอไปยังเทรนด์ของ Google: เมื่อเราใช้โมดูลเช่น pytrendsจากนั้นเราต้องใช้พร็อกซีเซิร์ฟเวอร์ไม่งั้นเราโดนบล็อก 

ในบทความนี้ฉันจะแบ่งปัน Python Script ที่เราเขียนขึ้นเพื่อส่งออกคำหลักที่กำลังมาแรงผ่าน Google Autosuggest

ดึงและจัดเก็บผลลัพธ์ที่แนะนำอัตโนมัติเมื่อเวลาผ่านไป 

สมมติว่าเรามีคำหลัก Seed 1,000 คำที่จะส่งไปยัง Google Autosuggest ในทางกลับกันเราอาจจะได้รับประมาณ 200,000 หางยาว คำหลัก จากนั้นเราต้องทำแบบเดียวกันในอีก XNUMX สัปดาห์ต่อมาและเปรียบเทียบชุดข้อมูลเหล่านี้เพื่อตอบคำถามสองข้อ:

  • แบบสอบถามใดคือ คำหลักใหม่ เมื่อเทียบกับครั้งที่แล้ว? นี่อาจเป็นกรณีที่เราต้องการ Google คิดว่าข้อความค้นหาเหล่านั้นมีความสำคัญมากขึ้นโดยการทำเช่นนี้เราสามารถสร้างโซลูชัน Google Autosuggest ของเราเองได้ 
  • แบบสอบถามใดคือ คำหลักอีกต่อไป กำลังมาแรง?

สคริปต์ค่อนข้างง่ายและรหัสส่วนใหญ่ที่ฉันแชร์  โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม. รหัสที่อัปเดตจะบันทึกข้อมูลจากการทำงานที่ผ่านมาและเปรียบเทียบข้อเสนอแนะในช่วงเวลาหนึ่ง เราหลีกเลี่ยงฐานข้อมูลแบบไฟล์เช่น SQLite เพื่อให้ง่าย - ดังนั้นการจัดเก็บข้อมูลทั้งหมดจึงใช้ไฟล์ CSV ด้านล่าง สิ่งนี้ช่วยให้คุณสามารถนำเข้าไฟล์ใน Excel และสำรวจแนวโน้มคำหลักเฉพาะสำหรับธุรกิจของคุณ

เพื่อใช้สคริปต์ Python นี้

  1. ป้อนชุดคำหลักเมล็ดพันธุ์ของคุณที่ควรส่งไปยังการเติมข้อความอัตโนมัติ: keywords.csv
  2. ปรับการตั้งค่าสคริปต์ตามความต้องการของคุณ:
    • LANGUAGE: ค่าเริ่มต้น“ en”
    • COUNTRY: ค่าเริ่มต้น“ us”
  3. กำหนดเวลาให้สคริปต์ทำงานสัปดาห์ละครั้ง คุณยังสามารถเรียกใช้ด้วยตนเองได้ตามที่คุณต้องการ
  4. ใช้ keyword_suggestions.csv สำหรับการวิเคราะห์เพิ่มเติม:
    • first_seen: นี่คือวันที่ที่ข้อความค้นหาปรากฏเป็นครั้งแรกในการแนะนำอัตโนมัติ
    • ครั้งสุดท้ายที่เจอ: วันที่ที่พบข้อความค้นหาเป็นครั้งสุดท้าย
    • ใหม่: if first_seen == last_seen เราตั้งค่านี้เป็น จริง - เพียงกรองค่านี้เพื่อรับการค้นหาแนวโน้มใหม่ในคำแนะนำอัตโนมัติของ Google

นี่คือรหัส 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

ดาวน์โหลดสคริปต์ Python

คุณคิดอย่างไร?

ไซต์นี้ใช้ Akismet เพื่อลดสแปม เรียนรู้วิธีการประมวลผลข้อมูลความคิดเห็นของคุณ.