CASE / OPENEDSMARTPARSE-AI

← все кейсыAI · SaaSгод · 2025длительность · 5 месяцевОткрыть вживую

SmartParse AI

▍AI-парсер маркетплейсов с дашбордом для селлеров.

parser.py

docs

pricing

py · utf-8

from smartparse import Schema

schema = Schema(

url="…/catalog?p=*",

fields=[

"title", "price", "sku"

render=True, retry=3,

)

for row in schema.stream():

yield row.json()

build · passingspaces: 2 · ln 12 · col 18

{}SmartParse

v2.1 · stream

parse.loglive

12:04:01GET200page 1 · 60 items

12:04:01GET200page 2 · 60 items

12:04:02GET429rate-limit · backoff

12:04:03GET200page 2 · retry ✓

12:04:03PARSE200→ schema ok

output · row[0]application/json

{

"title": "Куртка зимняя XS",

"price": 4290,

"sku": "WB-10493",

"in_stock": true

}

12.4M

rows / run

99.7%

schema hit

8×

vs ручной

01 / CONTEXTКонтекст

Контекст

Селлеры на Wildberries и Ozon тратили по 8 часов в неделю на ручную выгрузку конкурентов и ценовой анализ. Существующие сервисы работали со скрапингом, который ломался раз в неделю.

Решили построить ML-индекс: одна модель распознавала структуру карточки на любой площадке, вторая — извлекала факты в нормализованной форме.

02 / BRIEFЗадача

Задача

01Парсинг 4 маркетплейсов: WB, Ozon, Я.Маркет, Lamoda
02ML-нормализация карточек к единой схеме
03Дашборд селлера с алертами по цене и stock-out
04API для интеграции с 1С и Bitrix24
05AI-аналитика «почему конкурент выиграл выдачу»

03 / SOLUTIONРешение

Решение

parser.py

docs

pricing

py · utf-8

from smartparse import Schema

schema = Schema(

url="…/catalog?p=*",

fields=[

"title", "price", "sku"

render=True, retry=3,

)

for row in schema.stream():

yield row.json()

build · passingspaces: 2 · ln 12 · col 18

{}SmartParse

v2.1 · stream

parse.loglive

12:04:01GET200page 1 · 60 items

12:04:01GET200page 2 · 60 items

12:04:02GET429rate-limit · backoff

12:04:03GET200page 2 · retry ✓

12:04:03PARSE200→ schema ok

output · row[0]application/json

{

"title": "Куртка зимняя XS",

"price": 4290,

"sku": "WB-10493",

"in_stock": true

}

12.4M

rows / run

99.7%

schema hit

8×

vs ручной

/ step 01

Лента конкурентов

Все карточки конкурентов в одной ленте с дельтами по цене, остаткам, рейтингу. Сортировка по «угроза для вашей позиции».

/ step 02

AI-разбор позиции

Просишь объяснить, почему конкурент выше — модель сравнивает заголовок, инфографику, отзывы и тэги, выдаёт чек-лист правок.

/ step 03

Ценовые алерты

Push, telegram-бот, email — выбирай канал. Алерт срабатывает с правилом, а не просто по дельте.

/ step 04

Интеграции

Готовые коннекторы к 1С и Bitrix24 — выгрузка не вручную, а по расписанию. Открытый REST API с подписями HMAC.

04 / STACKАрхитектура

Архитектура

Next.jsPythonOpenAIClickHousePlaywrightRedis

Парсинг — пул Playwright-инстансов в Kubernetes, антибот-стратегия с ротацией прокси. Извлечение фактов через LLM с контролем выхода через JSON Schema.

Хранилище — ClickHouse для исторических цен (50G/день) + Postgres для сущностей. Дашборд читает только агрегаты, рейтинги OLAP-цепочкой.

05 / RESULTSРезультаты

Результаты

карточек в индексе

−84%

времени на анализ

активных селлеров

₽0.0M

MRR через 4 месяца

06 / HONESTЧто не получилось с первого раза

Что не получилось с первого раза

✕Извлечение фактов сначала шло свободным промптом — LLM на каждой сотой карточке возвращала битый JSON, и ночные выгрузки падали. Зажали выход через JSON Schema, парсинг перестал ломаться.
✕Антибот-стратегию недооценили: WB начал отдавать капчу, и часть индекса протухала на сутки незаметно. Добавили ротацию прокси и алерт на проседание свежести данных.

07 / VOICEСлово клиента