Разработка парсера на Python для 1С-Битрикс

Python-парсер для Битрикс: архитектура и реализация

Вы столкнулись с ситуацией, когда стандартный импорт через CSV или PHP-скрипт упирается в производительность? Например, нужно собрать 50 000 товаров с сайта конкурента, но PHP не тянет headless-браузер, а каталог партнёра отдаёт данные только через SPA. Мы решаем такие задачи: проектируем парсер на Python, который загружает данные в промежуточное хранилище, а PHP-импортёр переносит их в инфоблоки Битрикс. За 5 лет работы мы реализовали свыше 40 парсеров для интернет-магазинов на Битрикс — от простых RSS-агрегаторов до систем машинного обучения для классификации контента.

Многие владельцы крупных каталогов на Битрикс сталкиваются с проблемами при обновлении товаров: ручной ввод занимает дни, импорт из Excel сбивает кодировку, а партнёры не предоставляют API. Наш подход — Python для сбора, Битрикс для хранения и выдачи. Это даёт экономию времени до 70% и полную прозрачность процесса.

Почему Python, а не PHP

Конкретные причины, а не абстрактные преимущества:

• Асинхронность. asyncio + aiohttp обрабатывают 100+ запросов параллельно. PHP curl_multi на практике даёт 20–50 соединений.
• Headless-браузер. Playwright для Python стабильно работает с React-сайтами. PHP-обёртки Puppeteer менее надёжны.
• NLP и ML. Классификация текстов, извлечение сущностей — библиотеки spaCy, transformers не имеют аналогов в PHP.
• Библиотеки. BeautifulSoup, lxml, Scrapy — проверенные инструменты с большим сообществом.

Как устроена архитектура парсера?

Парсер на Python работает как отдельный сервис. Данные проходят через промежуточное хранилище — таблицы в общей базе данных или очереди RabbitMQ. Python пишет сырые данные, PHP-агент забирает их и пишет в инфоблоки с помощью CIBlockElement::Add.

Варианты хранилища

Для большинства проектов оптимальна общая база данных: Python пишет в промежуточную таблицу, PHP импортирует пакетами каждые 5–15 минут через cron.

Сравнение подходов: Python vs PHP для парсинга

Пример реализации на Scrapy

Scrapy — фреймворк, который берёт на себя очереди URL, retry, throttling. Spider для каталога:

import scrapy

class CatalogSpider(scrapy.Spider):
    name = 'catalog'
    start_urls = ['https://example.com/catalog/']

    def parse(self, response):
        for product in response.css('.product-card'):
            yield {
                'name': product.css('h2::text').get(),
                'price': product.css('.price::text').get(),
                'description': product.css('.desc::text').get(),
                'image': product.css('img::attr(src)').get(),
                'url': product.css('a::attr(href)').get(),
            }
        next_page = response.css('.pagination .next::attr(href)').get()
        if next_page:
            yield response.follow(next_page, self.parse)

Pipeline для записи в промежуточную таблицу:

import psycopg2

class BitrixPipeline:
    def open_spider(self, spider):
        self.conn = psycopg2.connect(
            host='localhost', port=5433,
            dbname='bitrix_db', user='bitrix'
        )

    def process_item(self, item, spider):
        cursor = self.conn.cursor()
        cursor.execute("""
            INSERT INTO parser_staging (name, price, description, image_url, source_url, status)
            VALUES (%s, %s, %s, %s, %s, 'new')
            ON CONFLICT (source_url) DO UPDATE SET
                price = EXCLUDED.price,
                updated_at = NOW()
        """, (item['name'], item['price'], item['description'],
              item['image'], item['url']))
        self.conn.commit()
        return item

Headless-браузер для SPA

Сайты на React или Vue отдают пустой HTML. Playwright решает это:

from playwright.async_api import async_playwright

async def parse_spa(url):
    async with async_playwright() as p:
        browser = await p.chromium.launch(headless=True)
        page = await browser.new_page()
        await page.goto(url, wait_until='networkidle')
        content = await page.content()
        await browser.close()
        return content

Ресурсоёмкость: каждый экземпляр Chromium потребляет 100–300 МБ RAM. Для массового парсинга используйте пул из 3–5 экземпляров и очередь задач.

Как передать данные в Битрикс?

PHP-скрипт на стороне Битрикс забирает данные из промежуточной таблицы:

$rows = $DB->Query("SELECT * FROM parser_staging WHERE status = 'new' LIMIT 100");
while ($row = $rows->Fetch()) {
    $elementId = (new CIBlockElement())->Add([
        'IBLOCK_ID' => CATALOG_IBLOCK_ID,
        'NAME'      => $row['name'],
        'XML_ID'    => md5($row['source_url']),
        // ...
    ]);
    if ($elementId) {
        $DB->Query("UPDATE parser_staging SET status='imported', bx_id={$elementId} WHERE id={$row['id']}");
    }
}

Скрипт запускается по cron каждые 5–15 минут и обрабатывает новые записи пакетами.

Деплой и мониторинг

Python-парсер деплоится отдельно от Битрикс. Используйте systemd-сервис или cron для запуска по расписанию. Virtual environment (venv) изолирует зависимости. Логирование через модуль logging с ротацией. Мониторинг — скрипт проверяет, что парсер отработал за последние N часов, и отправляет алерт при зависании.

Типичный crontab:

0 1 * * * cd /opt/parsers && /opt/parsers/venv/bin/scrapy crawl catalog 2>> /var/log/parser.log
0 */4 * * * cd /opt/parsers && /opt/parsers/venv/bin/python news_parser.py 2>> /var/log/parser.log

Мы используем custom healthcheck: каждые 4 часа проверяем, что парсер отработал без ошибок. Если завис — автоматический перезапуск и уведомление в Telegram. Для критичных проектов добавляем систему алертов на базе Prometheus и Grafana.

Когда нужен Python-парсер, а не PHP?

Если источник — SPA (React/Vue/Angular), объём данных превышает 10 000 элементов, требуется классификация контента или защита от DDoS — Python даёт значительное преимущество. Сравнение: Scrapy обрабатывает 10 000 URL за 5–10 минут, а PHP-решение с curl_multi — за 30–40 минут. Playwright в 3 раза стабильнее PHP-обёрток Puppeteer за счёт более глубокой поддержки браузера.

Как мы разрабатываем парсер

Мы предоставляем полный цикл разработки:

1. Анализ источника и согласование архитектуры.
2. Разработка паука на Scrapy или асинхронного парсера на aiohttp.
3. Настройка импортёра для Битрикс (инфоблоки, HL-блоки, торговые предложения).
4. Создание промежуточной базы данных и скриптов синхронизации.
5. Деплой на сервер (systemd, cron, мониторинг).
6. Документация по эксплуатации и обучение администратора.

Ориентировочные сроки

Срок разработки парсера — от 5 до 20 рабочих дней в зависимости от сложности источника и объёма данных. Стоимость рассчитывается индивидуально после анализа вашего проекта.

Мы гарантируем стабильную работу парсера 24/7 и предоставляем поддержку после запуска. Закажите консультацию: расскажите о вашем источнике данных, и мы предложим оптимальное решение в течение дня.