[Forbidden]

Новая документация и текущий статус Бета-версии

В скором времени увидит свет A-Parser версии 1.1.0 - результат двух-месячной разработки Бета-версии. На текущий момент Бета-версия абсолютно стабильна и рекомендуется к использованию как новым пользователям, так и всем кто уже имеет лицензию

Ключевой особенностью новой версии парсера является наличие новой документации, в которой мы постарались осветить все возможности и особенности работы A-Parser'а. В документации подробно описаны такие возможности как:

• Задания и очередь
• Форматирование и подстановки запросов
• Форматирование результатов
• Уникализация результатов
• Фильтрация результатов
• Конструктор запросов
• Конструктор результатов
• Parse cutom result и использование регулярных выражений
• Описание шаблонизатор Template Toolkit
• и многое другое

Обсудить новую документацию можно на форуме

Помимо этого текущая бета версия содержит множество исправлений и улучшений, следите за новостями о релизе!

[Forbidden]

Новая версия Lite, автоматическая оплата прокси

• Добавлена новая лицензия Lite, включающая только парсеры Google и Яндекса
• Добавлена автоматическая оплата через WebMoney, Yandex.Money, Visa, MasterCard, Paxum, LiqPay, PerfectMoney, W1, Банки, СМС, Терминалы оплаты
• Оплачивать можно лицензии на A-Parser, A-Poster, прокси, обновления A-Parser и дополнительные лицензии A-Parser
• Новая сетка цен
• Последние изменения в бета версии
• Переработано описание парсера

Мы ждем ваших вопросов :) наши контакты

[Forbidden]

Релиз A-Parser 1.1.0, автоматический прием PayPal, Wire, QIWI

Релиз A-Parser 1.1.0 - результат активной разработки в течении двух месяцев в рамках бета-версии



Улучшения

• Новый парсер HTML::TextExtractor::LangDetect - улучшенное определение языка страницы, без использования сторонних сервисов
• Для парсера SE::Google добавлена возможность указывать локацию поиска - город или регион
• Новый инструмент - обновление A-Parser, теперь обновления можно устанавливать автоматически через интерфейс, поддерживается два канала обновлений - Stable и Beta
• Для уникализации результатов теперь используется LevelDB - лучшая скорость и низкое потребление памяти
• Улучшена работа с битыми кодировками и детектирование кодировки страницы
• В инструменте тестирования шаблонов теперь доступны предустановленные результаты для всех парсеров
• Шаблонизатор теперь можно использовать в самих запросах, в формате запроса, а также в Конструкторе результатов
• Для парсера Net::HTTP при формировании POST запроса добавлена возможность использовать шаблонизатор в теле запроса
• Добавлена возможность выводить результаты в формате JSON
• Новая опция Not found is error для парсера Net:: DNS - позволяет перепроверять ложные ответы от DNS серверов
• Добавлена возможность удалять неиспользуемые базы данных Keep unique
• Новые подсказки в интерфейсе, соответствуют новому формату шаблонов
• Добавлена возможность сбросить пароль доступа к интерфейсу A-Parser
• Сервер парсера теперь можно выключить или перезапустить через веб-интерфейс

Исправления

• Исправлен парсер SE::Yandex в связи с переходом на новую выдачу
• Исправлен парсер SE::AOL в связи с изменением в выдачи
• Исправлен ошибка, при которой проверка прокси начиналась заново при перезагрузке интерфейса
• Исправлена медленная работа очереди заданий при большом количестве заданий(более 1000)
• Исправлен вывод исходного запроса $query.first при многоуровневом парсинге в SE::Yandex::WordStat
• Net:: DNS - исправлена работа на ОС Windows
• SE::Yandex::Webmaster::Index удален в связи с прекращением работы сервиса
• Исправлено некорректное определение некоторых полей в парсере Net::Whois
• Исправлена работа переменной $pagenum в парсере Net::HTTP
• Исправлена ошибка, при которой парсер мог вылететь при использовании уникализации по простым результам
• Задания с пустым файлом запросов не завершались автоматически
• Исправлен парсер Rank::Ahrefs в связи с изменением в выдачи
• Исправлен парсер Rank::Alexa в связи с изменением в выдачи
• Исправлен парсер Rank::MajesticSEO в связи с изменением в выдачи
• Исправлена работа с кодировкой windows-1251
• Исправлен подсчет числа простых результатов
• Исправлена работа метода CONNECT при использовании прокси с авторизацией по логин\паролю
• Исправлен парсер Rank::Category в связи с изменением в выдачи

Полный список всех изменений в соответствующем разделе

Также мы рады сообщить что добавили прием PayPal, QIWI и Wire Transfer в автоматическом режиме

[Forbidden]

A-Parser - версия 1.1.20 - обновление парсера Rank::CMS, разные форматы результатов для нескольких файлов

Улучшения

• Полностью переработан парсер Rank::CMS, теперь он определяет движок сайта на основе большой и качественной базы признаков Wappalyzer, также появилась возможность выбрать категорию или конкретные движки для распознавания
• Появилась возможность сохранять результаты одного задания в разные файлы, с выбором формата результата для каждого файла, к примеру при парсинге Гугла можно сохранять ссылки в один файл и сниппеты в другой
• Добавлена возможность использовать шаблоны в параметрах Extra query string и User Agent
• В шаблонах теперь можно использовать инструменты, которые доступны через переменную $tools, первый инструмент - выбор произвольного User Agent: $tools.ua.random(), список агентов хранится в файле files/tools/user-agents.txt
• Улучшен парсер Net::DNS при работе через прокси
• В API появилась возможность запрашивать статус сразу нескольких заданий
• В API появилась возможность скачивать файл результата
• Парсер SE::AOL теперь позволяет выбрать US, UK, FR или DE выдачу
• В парсере Rank::Ahrefs теперь дополнительно парсятся параметры URL Rank и Ahrefs Domain Rank

Исправления

• Исправлен парсер SE::YouTube в связи с изменением в выдачи
• Исправлен парсинг с блогов в парсере SE::Google в связи с изменением в выдачи
• Исправлена ошибка при которой парсер мог вылететь если в качестве запроса передать очень длинный URL

[Forbidden]

A-Parser - версия 1.1.41 - новые парсеры MailRu и Dogpile, поддержка многоядерности для чекера CMS

Улучшения

• Новый парсер SE::MailRu - собирает ссылки, анкоры и сниппеты, количество результатов в выдаче
• Новый парсер SE::MailRu::position - проверяет позиции сайтов в выдаче go.mail.ru
• Новый парсер SE::Dogpile - парсер поисковика dogpile.com, собирает ссылки, анкоры и сниппеты, количество результатов в выдаче и связанные ключевые слова
• Добавлена экспериментальная поддержка многоядерных процессоров для наиболее требовательного к ресурсам процессора парсера Rank::CMS
• Для парсера Rank::Ahrefs добавлен парсинг социальных факторов(google+, twitter, facebook), а также возможность выбора режима отчета(ссылка, папка, домен, домен с сабдоменами)
• Для парсера Rank::MajesticSEO добавлена возможность получать данные по полной ссылке
• Новая опция Emulate browser headers для парсера Net::HTTP - автоматически эмулирует хедеры современных браузеров
• Для парсера SE::Yandex::position теперь доступна статистика по использованию каптчи

Исправления

• Исправлен парсинг рекламных блоков в парсере SE::Google в связи с изменением в выдачи
• Исправлен парсер SE::Baidu в связи с изменением в выдачи
• Исправлен парсер проверки языка сайта SE::Bing::LangDetect

[Forbidden]

A-Parser - версия 1.1.61 - улучшение очереди заданий, поддержка аккаунтов в парсере Яндекса

Улучшения

• Появилась возможность ограничивать общее потребление потоков, что позволяет пропускать задания превышающие текущее потребление, давая возможность выполнится заданиям с меньшим числом потоков. Также данный функционал полезен при использовании прокси-сервисов с лимитированным числом подключений, тем самым можно гарантированно не выходить за пределы тарифа
• В очереди заданий теперь можно удалить все задания разом, отдельно для активной очереди и очереди завершенных заданий
• Парсер SE::Yandex теперь поддерживает работу с аккаунтами(опция Use Accounts)
• При парсинге рекламы в SE::Google теперь дополнительно можно вывести позицию рекламного блока(сверху или справа), а также номер страницы выдачи, на котором показано рекламное объявление

Исправления

• Исправлено отображение русских имен файлов запросов и результатов на ОС Linux
• Исправлено определение ТИц в парсере SE::Yandex::TIC
• Исправлено распознавание каптчи в регистраторе аккаунтов Яндекса SE::Yandex::Register в связи с изменением в выдачи
• Исправлена работа с заблокированными аккаунтами в парсере SE::Yandex::WordStat

[Forbidden]

Сборник рецептов #1: Определяем CMS, оцениваем частотность ключевых слов и парсим Вконтакте

Этот пост начинает серию статей с рецептами применения A-Parser: комплексные примеры с одновременным использованием различного функционала парсера. Помимо детального разбора заданий можно также оценить скорость обработки запросов и скачать результаты парсинга

Определяем CMS для 1000000 доменов за 15 часов

В примере рассказано как определить используемый движок у сайтов из базы Алексы топ-миллион, результат автоматически сортируется по файлам с названием CMS. Также дан пример как увеличить скорость обработки и проверить 1 миллион доменов всего за 2 часа



Немного статистики:

• Скорость парсинга составила 1100 доменов в минуту
• Всего определились 301841 из 1000000 доменов как использующие на своей главной странице одну из популярных CMS, форумов или Wiki
• Определено 126 различных CMS
• Топ 10 самых популярных CMS, первое значение определяет количество доменов:

Код:

209855 WordPress
23732 Joomla
22945 Drupal
6488 TYPO3 CMS
4917 vBulletin
3726 1C-Bitrix
2515 phpBB
2415 ExpressionEngine
2022 DataLife Engine
1928 Microsoft SharePoint

Читать целиком »

Оценка частотности по Вордстату, словарь Даля, 115000 слов за 40 минут
Проверяем словарь Даля на частотность запросов в Яндексе используя парсер SE::Yandex::WordStat, скорость парсинга составила 3000 слов в минуту без использования каптчи! Результат сохраняется в 2 разных файла - в первом статистика по исходным запросам, во втором - все новые ключевые слова из левой и правой колонки Вордстата

Немного статистики:

• Парсинг 115390 ключевых слов занял всего 40 минут
• 80208 слов из 115390 имеют ненулевую статистику в Вордстате
• Общее число показов всех слов составляет 20001443927, ~20 миллиардов в месяц
• Дополнительно спаршено 1143045 новых ключевых слов с общим числом показов ~36 миллиардов в месяц

Читать целиком »

Создаем парсер VKontakte обрабатывающий 14000 анкет в минуту
В примере показывается как с помощью парсера Net::HTTP и регулярных выражений можно создать парсеры почти любых сайтов и сервисов, например VKonktake
Пример разделен на 2 части:

• Сбор ссылок на анкеты из результатов поиска
• Обработка анкет - парсинг полей "Родной город", "Семейное положение" и "Время захода на анкету"

В результате получаем файл с примерно следующим содержимым:

Код:

http://vk.com/id1492 - none - none - none
http://vk.com/id1485 - п. Сиверский - всё сложно - заходил 15 сентября в 1:34
http://vk.com/id1489 - Ленинград - none - Online
http://vk.com/id1481 - Санкт-Петербург - none - заходила 48 минут назад
http://vk.com/id1482 - град Поднебесный - не женат - Online
http://vk.com/id1493 - none - none - none

Читать целиком »

[Forbidden]

A-Parser - версия 1.1.86 - поддержка многоядерной обработки и фильтрации результатов

В данной версии добавлена поддержка обработки и фильтрации результатов(Parse custom result, Конструкторы результатов и фильтры) на многоядерных процессорах, что в несколько раз увеличивает скорость парсинга при использовании "тяжелых" регулярных выражений, например скорость сбора email адресов со страниц достигает 10000 ссылок в минуту при 2000 потоках(при этом A-Parser обрабатывает поток 130 мбит\с gzip-сжатых данных)

Другие улучшения

• Добавлена возможность указать сразу несколько форматов для запроса, что позволяет комбинировать множество вариантов подстановок для одних и тех же запросов в одном задании
• Добавлена возможность использовать формат запроса на всех уровнях вложенного парсинга, например при парсинге ключевых слов с подсказок Google подстановки будут добавляться так же и для новых найденных ключевых слов(как и для исходных запросов)
• Для парсера SE::Yandex добавлена возможность парсить не персонализированную выдачу, что позволяет более точно снимать позиции сайтов
• В парсере Net::HTTP опция Check next page теперь поддерживает захват следующей ссылки для перехода, она будет использоваться если не указана опция Use pages

Исправления

• В некоторых случаях могли неверно обрабатываться страницы большого размера с сжатием gzip
• Парсер Net::Whois не работал без использования прокси, ошибка появилась в предыдущей версии
• В конструкторе результатов, при использовании замены по регулярному выражению, некорректно обрабатывалась замена переменных $1 $2...
• Парсер мог упасть при использовании одинаковой базы Keep unique в двух одновременно работающих заданиях

[Forbidden]

A-Parser - 1.1.108 - улучшения паука сбора ссылок, множество исправлений

Улучшения парсера HTML::LinkExtractor

• Добавлена опция Follow links позволяющая выбрать порядок следования по ссылкам: только по внутренним, по внутренним и внешним, только по внешним
• Добавлен массив результатов $followlinks, который содержит ссылки для последующего перехода, над этим массивом можно применять фильтры и конструкторы результатов, что позволяет переходить только по определенным ссылкам(например только по топикам форумов)
• Добавлена корректная обработка тега <base href=

Другие улучшения

• Теперь парсер автоматически определяет кодировку по содержимому страницы, если другие методы не дали результатов. В случае если кодировку определить не удается и она не является корректной с точки зрения UTF-8 то содержимое страницы становится недоступным для обработки. Данное улучшение призвано исправить редкие проблемы когда файл результата A-Parser'а невозможно использовать в качестве запросов, т.к. файл мог содержать некорректную кодировку
• При парсинге рекламы в SE::Google теперь дополнительно парсится видимая ссылка на сайт

Исправления

• Исправлен парсер SE::Yandex в связи с изменением в выдачи
• На платформе Windows при закрытии приложения парсера возникала ошибка
• В парсере Net::Whois не был доступен исходный результат $data для пользовательской обработки
• В парсере SE::Yandex была ошибка в получении каптчи если в запросе содержалась скобка
• Результат $query мог быть изменен некоторыми парсерами
• Парсер Rank::OpenSiteExplorer исправлен в связи с изменением в выдачи
• Добавлен запрет на изменение результатов с зарезервированными именами($query, $info)
• При использовании нескольких конструкторов результатов невозможно было выбрать новые результаты для обработки

[Forbidden]

Сборник рецептов #2: собираем форумы для XRumer, парсим email со страниц контактов

Этот пост продолжает серию статей с рецептами применения A-Parser: комплексные примеры с одновременным использованием различного функционала парсера. Помимо детального разбора заданий можно также оценить скорость обработки запросов и скачать результаты парсинга

Парсим базу для XRumer: 420000 форумов за 9 часов

Учимся быстро собирать большие базы методом перебора



За 9 часов работы:

• Было обработано 525254 запроса на максимальную глубину
• Спаршено 68 миллионов ссылок, 420к из которых подходят под фильтр и уникальны по домену
• Средняя скорость парсинга составила 1000 запросов в минуту

Собираем 1.65 миллиона email со страниц контактов за 2.5 часа

Парсим ссылки на страницы с контактными данными, затем собираем с них email-адреса

• Средняя скорость обработки составила 12000 ссылок в минуту
• ТОП-10 почтовых доменов:

Код:

249772 mail.ru
129894 gmail.com
91901 yandex.ru
25625 rambler.ru
20821 bk.ru
19773 hotmail.com
14656 yahoo.com
14117 list.ru
13636 inbox.ru
11670 ukr.net

Сбор перелинкованных топиков

Метод описывает как используя возможности парсера HTML::LinkExtractor собирать ссылки на перелинкованные топики - еще один хороший метод сбора баз форумов для XRumer

Алгоритм работы:

• Переходим только по внешним ссылкам
• Фильтруем ссылки для перехода по признакам форумов
• Добавляем уникализацию по домену
• Сохраняем ссылки по которым переходим, тем самым собираем все ссылки на новые форумы которые встретятся

Парсинг форумов по признакам и запросам

Классический вариант сбора форумов - используя признаки движков и подставляя дополнительные кейворды. Ссылки дополнительно фильтруются по регулярному выражению и проходят уникализацию по домену

Предыдущие рецепты:

• Сборник рецептов #1: Определяем CMS, оцениваем частотность ключевых слов и парсим Вконтакте