Интеграция Ahrefs API для анализа ссылочного профиля сайта

Интеграция Ahrefs API для анализа ссылочного профиля сайта

Ahrefs — один из крупнейших индексов обратных ссылок. API даёт программный доступ к этому индексу: ссылочный профиль домена, анкорный текст, динамика роста, токсичные ссылки, страницы с наибольшим количеством входящих ссылок. Ручная работа в интерфейсе Ahrefs подходит для разового аудита; для регулярного мониторинга нужна автоматизация через API.

Доступ к API

Ahrefs API доступен на планах Advanced и Enterprise. Аутентификация — через Bearer-токен:

import requests
from typing import Literal

class AhrefsClient:
    BASE_URL = 'https://api.ahrefs.com/v3'

    def __init__(self, api_token: str):
        self.session = requests.Session()
        self.session.headers.update({
            'Authorization': f'Bearer {api_token}',
            'Accept': 'application/json',
        })

    def _get(self, endpoint: str, params: dict) -> dict:
        resp = self.session.get(
            f'{self.BASE_URL}/{endpoint}',
            params=params,
            timeout=30,
        )
        resp.raise_for_status()
        return resp.json()

Получение ссылочного профиля домена

def get_domain_metrics(self, target: str) -> dict:
    return self._get('site-explorer/domain-rating', {
        'target': target,
        'output': 'json',
    })

def get_backlinks_stats(self, target: str) -> dict:
    return self._get('site-explorer/metrics', {
        'target': target,
        'mode': 'domain',
        'output': 'json',
    })

def get_backlinks(
    self,
    target: str,
    limit: int = 1000,
    order_by: str = 'domain_rating_source:desc',
    link_type: Literal['dofollow', 'nofollow', 'all'] = 'all',
) -> dict:
    return self._get('site-explorer/backlinks', {
        'target': target,
        'mode': 'domain',
        'limit': limit,
        'order_by': order_by,
        'where': f'is_nofollow={"1" if link_type == "nofollow" else "0"}' if link_type != 'all' else None,
        'output': 'json',
    })

Анализ анкорного текста

Распределение анкоров — важный сигнал здоровья ссылочного профиля. Слишком много точных коммерческих анкоров может указывать на манипуляцию:

def get_anchors(self, target: str, limit: int = 500) -> dict:
    return self._get('site-explorer/anchors', {
        'target': target,
        'mode': 'domain',
        'limit': limit,
        'order_by': 'backlinks:desc',
        'output': 'json',
    })

def analyze_anchor_distribution(anchors_data: dict) -> dict:
    anchors = anchors_data.get('anchors', [])

    categories = {
        'brand': 0,
        'exact_match': 0,
        'partial_match': 0,
        'naked_url': 0,
        'generic': 0,
        'other': 0,
    }

    # Упрощённая классификация — адаптируется под конкретный бренд/сайт
    brand_terms = ['example', 'example.com', 'example inc']
    generic_terms = ['here', 'click here', 'this', 'website', 'link', 'read more']
    target_keywords = ['buy shoes', 'cheap shoes', 'shoes online']  # ключевые слова сайта

    total = sum(a.get('backlinks', 0) for a in anchors)

    for anchor_item in anchors:
        anchor = anchor_item.get('anchor', '').lower().strip()
        count = anchor_item.get('backlinks', 0)

        if any(b in anchor for b in brand_terms):
            categories['brand'] += count
        elif anchor in target_keywords:
            categories['exact_match'] += count
        elif any(k in anchor for k in target_keywords):
            categories['partial_match'] += count
        elif anchor.startswith('http') or anchor.startswith('www'):
            categories['naked_url'] += count
        elif anchor in generic_terms:
            categories['generic'] += count
        else:
            categories['other'] += count

    return {
        k: {'count': v, 'pct': round(v / total * 100, 1) if total else 0}
        for k, v in categories.items()
    }

Поиск токсичных ссылок

Признаки токсичного донора: низкий DR, spam score, нерелевантная тематика, большое количество исходящих ссылок:

def find_toxic_backlinks(backlinks: list[dict], thresholds: dict = None) -> list[dict]:
    if thresholds is None:
        thresholds = {
            'min_dr': 5,          # DR ниже 5 — подозрительно
            'max_linked_domains': 500,  # слишком много исходящих ссылок
        }

    toxic = []
    for link in backlinks:
        issues = []
        dr = link.get('domain_rating_source', 0)
        linked_domains = link.get('linked_domains_source', 0)
        is_nofollow = link.get('is_nofollow', False)

        if dr < thresholds['min_dr']:
            issues.append(f'low_dr:{dr}')
        if linked_domains > thresholds['max_linked_domains']:
            issues.append(f'link_farm:{linked_domains}_outbound')

        if issues and not is_nofollow:
            toxic.append({
                'url_from': link.get('url_from'),
                'url_to': link.get('url_to'),
                'dr': dr,
                'issues': issues,
            })

    return sorted(toxic, key=lambda x: x['dr'])

Динамика роста ссылочного профиля

Резкий рост ссылок — возможный сигнал манипуляции (или вирусного контента). Постепенное снижение — потеря позиций донорами:

def get_refdomains_history(self, target: str, date_from: str, date_to: str) -> dict:
    return self._get('site-explorer/refdomains-history', {
        'target': target,
        'mode': 'domain',
        'date_from': date_from,
        'date_to': date_to,
        'output': 'json',
    })

def analyze_growth_pattern(history: list[dict]) -> dict:
    if len(history) < 2:
        return {}

    counts = [h.get('refdomains', 0) for h in history]
    deltas = [counts[i] - counts[i-1] for i in range(1, len(counts))]
    avg_growth = sum(deltas) / len(deltas)
    max_spike = max(deltas)

    return {
        'avg_monthly_growth': round(avg_growth, 1),
        'max_spike': max_spike,
        'spike_ratio': round(max_spike / avg_growth, 1) if avg_growth > 0 else None,
        'trend': 'growing' if deltas[-1] > 0 else 'declining',
    }

Анализ страниц по количеству входящих ссылок

def get_best_pages_by_links(self, target: str, limit: int = 100) -> list[dict]:
    data = self._get('site-explorer/pages-by-links', {
        'target': target,
        'mode': 'domain',
        'limit': limit,
        'order_by': 'referring_domains:desc',
        'output': 'json',
    })
    return data.get('pages', [])

Топ страниц по входящим ссылкам — отправная точка для стратегии внутренней перелинковки: сильные страницы должны передавать вес на коммерческие.

Регулярный мониторинг и хранение

CREATE TABLE ahrefs_domain_snapshots (
    id SERIAL PRIMARY KEY,
    domain TEXT NOT NULL,
    snapshot_date DATE NOT NULL,
    domain_rating NUMERIC(5,1),
    ahrefs_rank INTEGER,
    backlinks_total INTEGER,
    referring_domains INTEGER,
    dofollow_domains INTEGER,
    organic_keywords INTEGER,
    organic_traffic INTEGER,
    UNIQUE(domain, snapshot_date)
);

CREATE TABLE ahrefs_new_lost_backlinks (
    id SERIAL PRIMARY KEY,
    domain TEXT NOT NULL,
    detected_at DATE NOT NULL,
    type VARCHAR(10) NOT NULL,  -- 'new' или 'lost'
    url_from TEXT,
    url_to TEXT,
    dr_source NUMERIC(5,1),
    is_nofollow BOOLEAN
);

Еженедельный снапшот метрик домена позволяет отследить, как изменения на сайте (публикация нового контента, линкбилдинг) влияют на DR и количество реферирующих доменов.

Лимиты и стоимость

Ahrefs API тарифицируется в «единицах» — каждый запрос потребляет определённое количество в зависимости от объёма данных. На плане Advanced — 500 единиц в месяц (примерно 500 запросов базовых метрик или 50 полных выгрузок). Для регулярного мониторинга 10–20 доменов с недельными снапшотами обычно достаточно.

Сроки

Базовая интеграция с выгрузкой метрик домена и топ-100 бэклинков в БД — 2 рабочих дня. С анализом анкоров, поиском токсичных ссылок, динамикой роста и алертами — 4–5 дней. Дашборд сравнения с конкурентами — ещё 1–2 дня.