പൈത്തൺ: സ്ക്രിപ്റ്റ് നിങ്ങളുടെ നിച്ച് തിരയൽ കീവേഡുകൾക്കായുള്ള ട്രെൻഡുകളുടെ ഒരു Google യാന്ത്രിക നിർദ്ദേശം

ട്രെൻഡുകൾ സ്വയമേവ പിടിച്ചെടുക്കുന്നതിനുള്ള പൈത്തൺ സ്ക്രിപ്റ്റ്

എല്ലാവരും Google ട്രെൻഡുകൾ ഇഷ്ടപ്പെടുന്നു, പക്ഷേ ലോംഗ് ടെയിൽ കീവേഡുകളുടെ കാര്യത്തിൽ ഇത് അൽപ്പം ബുദ്ധിമുട്ടാണ്. ഞങ്ങൾ എല്ലാവരും .ദ്യോഗികനെ ഇഷ്ടപ്പെടുന്നു ഗൂഗിൾ ട്രെൻഡുകൾ സേവനം തിരയൽ പെരുമാറ്റത്തെക്കുറിച്ചുള്ള സ്ഥിതിവിവരക്കണക്കുകൾ നേടുന്നതിന്. എന്നിരുന്നാലും, രണ്ട് കാര്യങ്ങൾ പലരെയും ഖര ജോലികൾക്കായി ഉപയോഗിക്കുന്നതിൽ നിന്ന് തടയുന്നു;

  1. നിങ്ങൾ കണ്ടെത്തേണ്ട സമയത്ത് പുതിയ നിക്ക് കീവേഡുകൾ, അവിടെ Google ട്രെൻഡുകളിൽ മതിയായ ഡാറ്റ ഇല്ല 
  2. ഗൂഗിൾ ട്രെൻഡുകൾക്കായി അഭ്യർത്ഥനകൾ നടത്തുന്നതിന് API ദ്യോഗിക API- യുടെ അഭാവം: പോലുള്ള മൊഡ്യൂളുകൾ ഞങ്ങൾ ഉപയോഗിക്കുമ്പോൾ pytrends, തുടർന്ന് ഞങ്ങൾ പ്രോക്സി സെർവറുകൾ ഉപയോഗിക്കണം, അല്ലെങ്കിൽ ഞങ്ങൾ തടയും. 

ഈ ലേഖനത്തിൽ, ട്രെൻഡുചെയ്യുന്ന കീവേഡുകൾ Google Autosuggest വഴി എക്‌സ്‌പോർട്ടുചെയ്യാൻ ഞങ്ങൾ എഴുതിയ ഒരു പൈത്തൺ സ്‌ക്രിപ്റ്റ് ഞാൻ പങ്കിടും.

കാലക്രമേണ ഫലങ്ങൾ സ്വയമേവ നിർദ്ദേശിക്കുക 

Google യാന്ത്രിക നിർദ്ദേശത്തിലേക്ക് അയയ്‌ക്കാൻ ഞങ്ങൾക്ക് 1,000 വിത്ത് കീവേഡുകൾ ഉണ്ടെന്ന് കരുതുക. പകരമായി, ഞങ്ങൾ‌ക്ക് ഏകദേശം 200,000 ലഭിക്കും നീണ്ട വാൽ കീവേഡുകൾ. തുടർന്ന്, ഒരാഴ്ചയ്ക്ക് ശേഷം ഞങ്ങൾ ഇത് ചെയ്യുകയും രണ്ട് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഈ ഡാറ്റാസെറ്റുകൾ താരതമ്യം ചെയ്യുകയും വേണം:

  • ഏത് ചോദ്യങ്ങളാണ് പുതിയ കീവേഡുകൾ അവസാന സമയവുമായി താരതമ്യം ചെയ്യുമ്പോൾ? ഒരുപക്ഷേ നമുക്ക് ആവശ്യമുള്ള സാഹചര്യമാണിത്. ആ ചോദ്യങ്ങൾ‌ കൂടുതൽ‌ പ്രാധാന്യമർഹിക്കുന്നതായി Google കരുതുന്നു - അങ്ങനെ ചെയ്യുന്നതിലൂടെ, ഞങ്ങൾക്ക് സ്വന്തമായി Google Autosuggest പരിഹാരം സൃഷ്‌ടിക്കാൻ‌ കഴിയും! 
  • ഏത് ചോദ്യങ്ങളാണ് കീവേഡുകൾ‌ ഇനിമേൽ‌ ട്രെൻഡുചെയ്യുന്നുണ്ടോ?

സ്ക്രിപ്റ്റ് വളരെ എളുപ്പമാണ്, ഞാൻ പങ്കിട്ട മിക്ക കോഡും ഇവിടെ. അപ്‌ഡേറ്റുചെയ്‌ത കോഡ് പഴയ റൺസിൽ നിന്ന് ഡാറ്റ സംരക്ഷിക്കുകയും കാലാകാലങ്ങളിൽ നിർദ്ദേശങ്ങൾ താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു. ലളിതമാക്കാൻ ഞങ്ങൾ SQLite പോലുള്ള ഫയൽ അധിഷ്ഠിത ഡാറ്റാബേസുകൾ ഒഴിവാക്കി - അതിനാൽ എല്ലാ ഡാറ്റ സംഭരണവും ചുവടെയുള്ള CSV ഫയലുകൾ ഉപയോഗിക്കുന്നു. ഇത് Excel- ൽ ഫയൽ ഇമ്പോർട്ടുചെയ്യാനും നിങ്ങളുടെ ബിസിനസ്സിനായുള്ള കീവേഡ് ട്രെൻഡുകൾ പര്യവേക്ഷണം ചെയ്യാനും നിങ്ങളെ പ്രാപ്‌തമാക്കുന്നു.

ഈ പൈത്തൺ സ്ക്രിപ്റ്റ് ഉപയോഗപ്പെടുത്തുന്നതിന്

  1. യാന്ത്രിക പൂർത്തീകരണത്തിലേക്ക് അയയ്‌ക്കേണ്ട നിങ്ങളുടെ സീഡ് കീവേഡ് സെറ്റ് നൽകുക: keywords.csv
  2. നിങ്ങളുടെ ആവശ്യത്തിനായി സ്ക്രിപ്റ്റ് ക്രമീകരണങ്ങൾ ക്രമീകരിക്കുക:
    • ഭാഷ: സ്ഥിരസ്ഥിതി “en”
    • രാജ്യം: സ്ഥിരസ്ഥിതി “ഞങ്ങളെ”
  3. ആഴ്ചയിൽ ഒരിക്കൽ പ്രവർത്തിക്കാൻ സ്ക്രിപ്റ്റ് ഷെഡ്യൂൾ ചെയ്യുക. നിങ്ങൾക്ക് താൽപ്പര്യമുള്ളതുപോലെ ഇത് സ്വമേധയാ പ്രവർത്തിപ്പിക്കാനും കഴിയും.
  4. കൂടുതൽ വിശകലനത്തിനായി keyword_suggestions.csv ഉപയോഗിക്കുക:
    • ആദ്യ_സീൻ: യാന്ത്രിക നിർദ്ദേശത്തിൽ ആദ്യമായി അന്വേഷണം പ്രത്യക്ഷപ്പെട്ട തീയതിയാണിത്
    • അവസാനം കണ്ടത്: അന്വേഷണം അവസാനമായി കണ്ട തീയതി
    • is_New: first_seen == last_seen ആണെങ്കിൽ ഞങ്ങൾ ഇത് സജ്ജമാക്കി ട്രൂ - Google യാന്ത്രിക നിർദ്ദേശത്തിൽ പുതിയ ട്രെൻഡുചെയ്യുന്ന തിരയലുകൾ ലഭിക്കുന്നതിന് ഈ മൂല്യത്തിൽ ഫിൽട്ടർ ചെയ്യുക.

പൈത്തൺ കോഡ് ഇതാ

# 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

പൈത്തൺ സ്ക്രിപ്റ്റ് ഡൺലോഡ് ചെയ്യുക

നീ എന്ത് ചിന്തിക്കുന്നു?

സ്പാം കുറയ്ക്കുന്നതിന് ഈ സൈറ്റ് Akismet ഉപയോഗിക്കുന്നു. നിങ്ങളുടെ അഭിപ്രായ ഡാറ്റ പ്രോസസ്സുചെയ്യുന്നത് എങ്ങനെയെന്നറിയുക.