Что значат Python и машинное обучение для технического SEO?

Python — один из самых популярных языков для создания платформ, анализа данных и запуска моделей машинного обучения. С ростом ИИ-платформ его популярность выросла ещё сильнее. Особенно в техническом SEO с Python легко работать. В этой статье расскажу, что значат Python и машинное обучение для технического SEO.

Что такое Python?

Коротко: Python — открытый объектно-ориентированный интерактивный язык программирования, который интерпретируется построчно. Для меня он особенный ещё и потому, что ранний веб-краулер Google был написан в основном на Python, — поэтому этот язык привлёк моё внимание больше других.

Также Python считается одним из самых простых для изучения языков программирования.

Как запустить Python?

Запускать Python можно по-разному. В большинстве систем он уже установлен — скорее всего, Python 3, — а узнать версию можно, введя в терминале «python» (или «python3»).

Если у вас установлен Python 2, рекомендую скачать последнюю версию с сайта Python. Поддержка Python 2 официально прекращена в 2020 году, и между версиями есть различия в синтаксисе, поэтому лучше убедиться, что вы используете Python 3.

Обновить Python можно и через терминал. Например, в macOS можно установить менеджер версий командой «brew install pyenv».

Python можно запускать из терминала или IDE (интегрированной среды разработки), а также в десктопных средах вроде PyCharm или VS Code. Есть и облачные варианты, например:

• Google Colab
• Jupyter Notebooks

Облачные среды позволяют изучать и тестировать код построчно, что особенно удобно новичкам, и упрощают обмен работой с командой.

Как изучить Python?

Для изучения Python есть множество онлайн-инструментов, и лучший способ зависит от вашего стиля обучения. Могу порекомендовать:

• Если вы визуал и вам удобно учиться по видео — Udemy, самая простая и известная платформа. Также можно попробовать freeCodeCamp.
• Если вам лучше подходит обучение через проекты — Codecademy и Sololearn. Они также помогают отслеживать прогресс и собирать портфолио проектов.
• Если любите игровой формат — CodeCombat и Checkio помогают выработать привычку программировать в увлекательной форме.

Освоив основы, лучше всего переходить к проектам. Они не обязательно должны быть связаны с SEO, но практические примеры полезны. Если вас интересует анализ данных, загляните на Kaggle с бесплатными наборами данных и попробуйте с ними поработать.

Преимущества автоматизации задач с Python

Хотя Python не может заменить стратегии, основанные на человеческой интуиции, скрипты позволяют автоматизировать множество задач.

С помощью веб-скрапинга можно собирать данные со страниц, анализировать конкурентов, подбирать ключевые слова или анализировать контент. Например, вы хотите собрать информацию о товарах (название, цена, характеристики) с интернет-магазина. Скрапинг позволяет быстро и эффективно собрать, проанализировать и использовать эти данные. Но при этом рекомендую учитывать условия использования сайта и законодательство.

Python также сильно упрощает рутинные SEO-задачи: создание XML-карт сайта, проверку текстовых файлов на ошибки, регулярные технические SEO-проверки сайта. С помощью обработки естественного языка (NLP) можно анализировать тексты для оптимизации контента, плотности ключевых слов и отзывов пользователей.

Python в SEO

Важно понимать языки, на которых работают наши сайты (HTML, CSS, JavaScript), но Python даёт много возможностей автоматизировать задачи, которые иначе заняли бы часы. Например, для анализа и отчётности можно выгружать данные из Google Analytics и Google Search Console и анализировать их для выработки SEO-стратегии. Можно даже объединять данные с ИИ для подкрепления стратегических выводов. То есть Python помогает SEO-специалистам не только с повторяющимися задачами, но и с анализом больших массивов данных.

Список задач, которые можно автоматизировать на Python, постоянно растёт, но основные такие:

• определение пользовательского интента;
• сопоставление URL перед миграцией;
• анализ внутренних ссылок;
• подбор ключевых слов;
• оптимизация изображений;
• сбор данных со страниц с помощью веб-скрапинга.

Умение лучше понимать данные не только поможет работать эффективнее, но и позволит принимать решения на основе данных.

Как добавить Python в свой SEO-процесс?

Лучше всего начать с вопроса, что можно автоматизировать, — особенно скучные и долгие задачи. Также Python можно рассматривать как способ эффективнее работать с имеющимися данными.

SEO занимает большую часть digital-маркетинга. Поэтому, занимаясь SEO, не бойтесь вдохновляться чужими скриптами, экспериментировать и даже что-то ломать в процессе — это лучший способ учиться.

Поиск причины проблемы и способов её решения — большая часть работы SEO-специалиста, и то же самое касается изучения и использования Python.

Примеры использования Python

В этом разделе приведу примеры проектов, где можно использовать Python. Пробуя их, вы наберётесь практики.

Релевантность редиректов

Первый практический пример — скрипт проверки релевантности редиректов, который определяет, правильно ли составлена карта перенаправлений при миграции.

Для этого сайт сканируется до и после миграции, а категории сегментируются по структуре URL.

Затем с помощью встроенных операторов сравнения Python можно определить, сохранились ли папка и глубина каждой страницы после миграции или изменились.

Ниже пошагово объясняю, как сделать это в Google Colab.

Проверка релевантности редиректов на Python

• Откройте файл Segmentation на GitHub и скопируйте его URL.
• Откройте Google Colab.
• 

• В Colab выберите «GitHub», найдите репозиторий и загрузите код.
• Следуя инструкциям, получите результат.

Я также доработала код и опубликовала его на GitHub. Мой Segmentation Checker доступен здесь.

Анализ внутренних ссылок на Python

Ещё один практичный скрипт на основе данных сканирования — анализ внутренних ссылок. Он помогает найти разделы сайта с наибольшим числом внутренних ссылок и возможности улучшить перелинковку для разных разделов.

Скрипт использует сегментацию для определения категорий URL и сводные таблицы для выгрузки числа внутренних ссылок на каждую категорию.

Код, который я подготовила для этого, можно посмотреть на GitHub: (Internal link analysis)

Создание подписей к изображениям с Pythia

Этот скрипт использует Pythia — модульный фреймворк глубокого обучения от Facebook — для генерации подписи к изображению по его URL. Подпись затем можно использовать для изображений без alt-текста, что важно для доступности и поиска по картинкам.

Pythia основан на механизме внимания «снизу вверх» и «сверху вниз», который вычисляет результат, фокусируясь на разных элементах изображения. Можно сказать, что такая идентификация в стиле «что это?» внесла большой вклад в машинное обучение современных ИИ.

В целом Pythia объединяет выбранные пиксели в целостную картину и описывает её. Проще говоря, модель присваивает веса отдельным пикселям и очерчивает область максимального внимания, чтобы её описать.

Скрипт также легко запускается в Google Colab: сохраните копию кода в свой Colab и запустите.

Он сам загрузит нужные данные и автоматически выполнит шаги, которые иначе пришлось бы делать вручную: установит библиотеки, создаст классы и назначит функции.

Я подготовила для вас код на Python для Google Colab и планирую в ближайшее время добавить его на сайт в виде инструмента. Пока генератор alt-текстов доступен по адресу https://github.com/ceydaguz/alt-text-generator.

Ваши идеи и отзывы очень важны для меня. Если есть вопросы, идеи или обратная связь, свяжитесь со мной. Желаю всем побольше посетителей!