crawl4ai-seo
SEO-краулер для аудита сайтов и конкурентного анализа. Отвечает на вопрос: "что реально лежит на страницах и как сайт устроен изнутри".
Не заменяет SERP-инструменты (позиции, видимость) — дополняет их данными о содержимом и структуре страниц.
Что умеет
| Задача | Описание |
|---|---|
| Site inventory | Полная инвентаризация страниц: URL, status, title, H1, meta, canonical, word count |
| On-page audit | Поиск проблем: пустые title/H1, дубли заголовков, битые canonical, thin content |
| Internal linking audit | Граф внутренних ссылок, orphan pages (0 входящих), слабо связанные страницы |
| Navigation audit | Breadcrumbs, nav-блоки, menu consistency, hub-страницы без исходящих ссылок |
| Landing comparison | Сравнение shortlist URL по on-page сигналам (title, H1, content, links) |
| Competitor research | Прогон страниц конкурентов через тот же pipeline, сравнение шаблонов |
Config
Глобальные defaults: config/defaults.example.json, локальный override — config/defaults.json. Подробности: config/README.md.
Правило: в defaults не храним конкретный сайт или параметры клиента. Всё site-specific приходит через launch params и фиксируется в cache/jobs/<job_id>/resolved_config.json.
Workflow
Перед любым crawl
- Проверь окружение:
python3 scripts/doctor.pyЕсли crawl4ai/playwright не готовы — остановись на seed/discovery, не имитируй crawl. - Определи цель исследования:
- Полный аудит сайта → site inventory + navigation audit - Аудит лендингов → landing comparison - Анализ конкурентов → competitor research - Аудит перелинковки → internal linking audit
- Собери launch params:
- target.domain — домен исследования - job.project — проект/клиент - job.label — метка запуска
Основной pipeline
# 1. Создать job
python3 scripts/init_job.py --domain https://example.com --project client-a --label full-audit
# 2. Собрать seed URL из sitemap/robots
python3 scripts/seed_urls.py --job-id <job_id>
# 3. Запустить crawl
uv run --script scripts/crawl_batch.py --job-id <job_id>
# 4. Построить навигационный отчёт
python3 scripts/build_navigation_report.py \
--seed-job-id <seed_job_id> \
--crawl-job-id <crawl_job_id> \
--report-dir reports/<project>/<label>
# 5. Сравнить страницы
python3 scripts/compare_pages.py --job-id <job_id>Быстрый вариант (без отдельного init)
python3 scripts/seed_urls.py --domain https://example.com --project client-a --label quick-check
uv run --script scripts/crawl_batch.py --job-id <job_id>Scripts
| Script | Назначение |
|---|---|
doctor.py | Проверка окружения: uv, Python, crawl4ai, playwright, config |
init_job.py | Создание job: job_id, launch_params.json, resolved_config.json |
seed_urls.py | Discovery URL из sitemap/robots/файла → seed.json (работает без crawl4ai) |
crawl_batch.py | Batch crawl через crawl4ai → pages.ndjson, links.ndjson, summary.json |
compare_pages.py | Табличное сравнение crawled pages по on-page сигналам |
build_navigation_report.py | Сводный навигационный аудит: orphans, weak hubs, breadcrumbs, menu drift |
common.py | Shared helpers (не запускать напрямую) |
Extracted SEO Signals
На каждую страницу (pages.ndjson) извлекаются:
On-page: title, description, keywords, canonical, robots, og:title, og:description, og:image, H1, headings hierarchy, word count.
Navigation: path depth, breadcrumbs (texts + URLs), nav blocks count, nav links count, nav URLs sample.
Links: internal/external links count. В links.ndjson — полный граф: source → target, anchor text, nofollow, same_domain.
Navigation Audit Findings
build_navigation_report.py автоматически находит:
| Проблема | Что значит для SEO |
|---|---|
| Orphan pages (0 входящих ссылок) | Поисковик не найдёт страницу или не передаст ей вес |
| Weakly linked (1 входящая) | Страница получает минимум link equity |
| Missing breadcrumbs | Нет навигационной цепочки для бота и пользователя |
| Breadcrumb inconsistency | Разные trail signatures в одной секции — путаница в иерархии |
| Weak nav template | Hub-страница с подозрительно малым числом nav-ссылок |
| Menu inconsistency | Страницы теряют часть common nav targets (шаблон "дрейфует") |
| Weak hubs | Категория/раздел отдаёт <5 внутренних ссылок |
| Duplicate titles | Несколько страниц с одинаковым title — каннибализация |
| Canonical mismatches | canonical указывает не на себя |
| Technical junk | login-URL, php endpoints, asset-ссылки в навигационном слое |
| Linked-not-seeded | Сайт линкует URL, которых нет в sitemap |
Связка с другими скиллами
| Сценарий | Скилл-партнёр | Порядок |
|---|---|---|
| SERP → on-page audit | yandex-search-api | Получи shortlist из SERP → прогони через crawl4ai |
| Organic landings → audit | yandex-metrika | Возьми top organic pages → проверь on-page quality |
| Индексация + audit | yandex-webmaster | Сравни indexed pages с crawled inventory |
| Anti-block fallback | scrapedo-web-scraper | При блокировке crawl4ai — fallback через Scrape.do |
Cache Layout
cache/jobs/<job_id>/
launch_params.json # raw params этого запуска
resolved_config.json # effective config после merge defaults + params
manifest.json # operational state и artifact paths
seed.json # seed URLs и метаданные discovery
pages.ndjson # одна запись на страницу
links.ndjson # одна запись на link edge
summary.json # компактная сводка
markdown/ # сохранённый markdown контентКаждый job изолирован. Параллельные запуски по разным сайтам безопасны.
Output Hygiene
- stdout: только preview и пути к файлам.
- Полные данные: только в job files.
- Для анализа используй
rg,head,wc -lпо ndjson-файлам, не поднимай browser повторно.