Parsowanie i klasyfikacja danych

Witam. Robiłem podobne systemy zbierania i wzbogacania danych w Pythonie z Playwright i Scrapy: wyszukiwanie profili za pomocą operatorów wyszukiwania, parsowanie LinkedIn, weryfikacja zgodności według imienia, firmy, adresu i stanu, deduplikacja oraz wyjście w formacie JSON lub CSV. Najpierw stworzę działający pilot na próbie waszych rekordów, abyście mogli zobaczyć jakość dopasowania, a następnie skaluję na wszystkie stany. Orientacyjnie 15000 rubli i 6 dni roboczych za pilot, dokładną ocenę zakresu podam po przeglądzie struktury waszej bazy. Gotowy do rozpoczęcia od razu.

Pokaż oryginał

Przetłumacz

Dzień dobry! Mam doświadczenie w automatyzacji zbierania i przetwarzania danych w Pythonie: parsowanie publicznych źródeł, integracje API, asyncio, walidacja i strukturyzacja wyników w JSON/CSV. Pracowałem nad projektami, w których trzeba było porównywać rekordy według kilku pól i minimalizować błędne dopasowania.

Podejście do Twojego zadania

Wyszukiwanie — Google/Bing z operatorami site:linkedin.com/in, imię + firma + stan; dodatkowo publiczne rejestry biznesu USA, strona firmy z Twojej bazy.
Porównanie — scoring według imienia, nazwy, adresu, stanu; próg pewności (wysokie / średnie / niskie dopasowanie).
Weryfikacja — krzyżowa weryfikacja LinkedIn ↔ strona firmy ↔ adres; deduplikacja według URL profilu i email.
Stos — Python, asyncio, Playwright (gdzie to dozwolone), pandas, eksport JSON/CSV, logowanie i odzyskiwanie po awariach.
Ważne: masowe automatyczne parsowanie LinkedIn/Facebook jest ograniczone ich zasadami i ryzykiem blokad. Polecam hybrydę: wyszukiwanie przez wyszukiwarki + enrichment API (Apollo, Hunter itp.) + ręczna weryfikacja rekordów z niskim score — to bardziej stabilne dla dużych wolumenów w stanach.
…
Relewantne doświadczenie: boty Telegram z parsowaniem kanałów (Telethon), integracje zewnętrznych API, praca z bazami JSON i filtrowanie danych. Portfolio: https://yegor10.github.io/PortFolioWeb3/

Jestem gotów opisać architekturę dokładniej po ustaleniu zakresu bazy (liczba rekordów) i dopuszczalnych źródeł. Napisz w odpowiedzi — omówimy TŻ.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Mam doświadczenie w zbieraniu i wzbogacaniu danych biznesowych, poszukiwaniu kontaktów firm, właścicieli biznesu oraz weryfikacji informacji z otwartych źródeł. Pracowałam z dużymi zbiorami danych dla baz B2B, gdzie ważne było nie tylko znalezienie informacji, ale także prawidłowe dopasowanie jej do istniejących zapisów i minimalizacja błędnych dopasowań.

W przypadku podobnego zadania widzę proces w następujący sposób: wyszukiwanie potencjalnych profili przez LinkedIn i wyszukiwarki, dopasowywanie według imienia i nazwiska, nazwy firmy, adresu oraz stanu, dalsza weryfikacja znalezionych danych i formowanie ustrukturyzowanego wyniku w formacie CSV lub JSON. W razie potrzeby mogę również pomóc w przygotowaniu logiki deduplikacji i weryfikacji jakości wyników.

Pracuję z Pythonem, automatyzacją zbierania danych, przetwarzaniem tabel oraz ustrukturyzowanych zbiorów danych. Aby dokładniej ocenić, chciałabym zobaczyć przykład wyjściowej bazy oraz orientacyjną liczbę zapisów.

Będę zadowolona, mogąc omówić szczegóły projektu.

Pokaż oryginał

Przetłumacz

Zrozumiałem TŻ: na wejściu baza właścicieli małych firm w USA (imię, firma, adres, stan), potrzebny pipeline wzbogacenia z LinkedIn i Facebooka przez operatory wyszukiwania (site:linkedin.com/in "Imię" "Firma"), weryfikacja znalezionych profili według imienia plus firmy plus stanu, na wyjściu dla każdego wpisu zdjęcie, email, media społecznościowe, strona firmy, telefon w JSON lub CSV. Skala — wszystkie stany USA, czyli dziesiątki tysięcy wpisów.

W przypadku stacku dla pipeline'u produkcyjnego zazwyczaj używam Pythona plus Playwright (stabilniejszy niż Selenium na LinkedIn), Scrapy do masowych równoległych przeszukiwań, proxy pool z residential dla zmniejszenia wskaźnika banów, deduplikacja i weryfikacja przez fuzzy matching (rapidfuzz) oraz weryfikacja LLM dla przypadków skrajnych (jeden Smith może być w kilku stanach). Dane lądują w PostgreSQL z etapowym eksportem do CSV lub JSON, z flagami źródła i pewności dla każdego pola.

Realistyczne pokrycie na dużych zbiorach: profil LinkedIn właściciela znajduje się w 50-70 procentach (w zależności od unikalności imienia plus firmy), email i telefon z samego LinkedIn zazwyczaj 5-15 procent (zamknięte przez większość użytkowników), jeśli dodamy przez email-finder (Hunter, Apollo, Snov.io) można podnieść email do 25-40 procent. Strona firmy i media społecznościowe lepiej — 40-60 procent.

Aby podać dokładny koszt i termin, ważne jest, aby wiedzieć: jaki jest zakres bazy (5 tysięcy, 50 tysięcy, 500 tysięcy wpisów), jaki budżet na proxy i email-finder API, jaki oczekiwany termin (w tydzień się nie uda, w miesiąc jak najbardziej). Z doświadczenia w portfolio: wzbogacenie LinkedIn przeprowadzałem w projektach liczących kilka tysięcy wpisów, stabilnie z niskim wskaźnikiem banów.

Jestem gotów omówić zakresy telefonicznie lub w korespondencji, po tym będzie dokładny rozkład po dniach i budżecie.

Pokaż oryginał

Przetłumacz

Zajmowałem się podobnymi zadaniami: wzbogacanie baz danych poprzez publiczne źródła, Google Maps API, parsowanie stron internetowych i agregacja w ustrukturyzowanej formie. Widzę to tak: bierzemy każdy wpis, przepuszczamy przez kilka źródeł (LinkedIn, Yelp, Google Business, być może oficjalne rejestry stanowe), normalizujemy i składamy w bazie z historią aktualizacji, aby można było ponownie wzbogacać. Pytanie: jakie dokładnie pola należy dodać, telefon i email czy coś głębszego, jak przychody, liczba pracowników, media społecznościowe? Jestem gotów omówić zakres i podejście.

Pokaż oryginał

Przetłumacz

Cześć! Mam doświadczenie w pisaniu bota, który wykorzystuje Chrome Driver. Emulował on przeglądarkę i zbierał potrzebne dane. Realizacja została wykonana w Rust. Mogę opracować program w Go, który będzie działał i parsował potrzebne informacje. Proponuję wybrać Go, ponieważ najlepiej odpowiada waszym potrzebom, może obsługiwać więcej zapytań, wymaga mniej zasobów do działania i jest szybszy niż Python. Posiadam również wszystkie rozwiązania potrzebne do tego zadania. Jeśli stos musi być koniecznie tylko w Pythonie, to FASTAPI + httpx. Mam doświadczenie w pracy z Selenium, pisałem testy automatyczne.

Pokaż oryginał

Przetłumacz

Witam. Mam doświadczenie w pracy z zadaniami OSINT oraz automatyzacją zbierania danych.

Oto krok po kroku plan realizacji:

1. Ominięcie ograniczeń: Do pracy z LinkedIn/Facebook wykorzystam architekturę opartą na Playwright (lub Selenium z rotacją proxy) w celu symulacji zachowania prawdziwego użytkownika, aby zminimalizować ryzyko blokad.

2. Walidacja i dopasowanie: Do porównania znalezionych profili z bazą zastosuję nie tylko tekstowe dopasowanie imienia, ale także dodatkowe atrybuty: geolokalizacja (stan), nazwa firmy (poprzez fuzzy matching/odległość Levenshteina), aby odfiltrować nieistotne wyniki.

3. Dedupikacja: Zrealizuję sprawdzenie na etapie zapisu do bazy danych, aby uniknąć duplikatów.
…
W rezultacie otrzymasz uporządkowany plik JSON/CSV.

Wcześniej realizowałem podobne systemy zbierania danych (pracowałem z parsowaniem kontaktów dla CRM). Jestem gotów omówić szczegóły zadania technicznego.

Pokaż oryginał

Przetłumacz

Dzień dobry, Romanie!

Zadanie jest dla mnie całkowicie zrozumiałe: wzbogacić bazę właścicieli małych firm w USA danymi z otwartych źródeł (LinkedIn/media społecznościowe) — znaleźć profil, porównać z istniejącym zapisem (imię/firma/adres/stan), zweryfikować, usunąć duplikaty i oddać uporządkowany JSON/CSV dla wszystkich stanów. To jest dokładnie moja nisza.

Relewantne doświadczenie: budowałem bulk-scraper/enricher do email marketingu (Node.js, 250 równoległych procesów), który wyciągał emaile i telefony ze stron baz danych domen w krajach WNP i deduplikował w stosunku do istniejącej bazy danych — to właściwie wasze zadanie wzbogacania zapisów;
+multipla marketplace scraper tablic vinted, bazos, jofogas, olx z anty-detekcją rotacji proxy i walidacją kont; Python-scrapery nieruchomości OLX/Dom.ria (aiohttp/asyncio + dedup na poziomie bazy danych); boty na Selenium/Playwright do zakupu biletów.

Stos: Python (Playwright/Selenium dla dynamiki, async HTTP + BeautifulSoup dla statyki, Scrapy w razie potrzeby), rotacja proxy + throttling, fuzzy-matching do porównania, eksport do JSON/CSV.

… Podejście: wyszukiwanie przez operatory (site:linkedin.com/in "Imię" "Firma") → wyciąganie publicznych danych → fuzzy-match według imienia/firmy/adresu/stanu z confidence-score (minimalizuje fałszywe dopasowania) → dedup → uporządkowany eksport.

Szczerze o ograniczeniach: LinkedIn agresywnie blokuje boty, a email/telefon często nie są publiczne — rzeczywiste pokrycie nie będzie 100%, i to uwzględniam w architekturze (proxy, throttling, match-score, fallback-źródła).

Rzeczywiste opinie od klientów — w moim profilu: [https://freelancehunt.com/project/vosstanovlenie-podderzhka-dorabotka-telegram-bota-dlya/1596685.html], [https://freelancehunt.com/project/parser-na-node-js/634091.html].

Pytanie: jaki jest zakres zapisów i które pola są krytyczne? Od tego zależy wycena. Szczegóły — w korespondencji.

Pracuję za stawkę godzinową do uzgodnienia: +-20$.

Pokaż oryginał

Przetłumacz

! Specjalizuję się w automatyzacji zbierania i wzbogacania danych w Pythonie, dlatego z przyjemnością opracuję dla Ciebie niezawodny system do wyszukiwania kontaktów amerykańskich małych firm. Na podstawie Twojej bazy algorytm za pomocą Scrapy lub Playwright znajdzie profile właścicieli na LinkedIn i Facebooku. Aby całkowicie wykluczyć błędne dopasowania z powodu podobnych nazw firm, skonfiguruję inteligentne dopasowanie danych według imienia, stanu i adresu. Dla stabilnej pracy bez blokad podłączę rotacyjne proxy, a gotowy wynik w JSON lub CSV oczyścię z duplikatów i zweryfikuję znalezione emaile.

Pokaż oryginał

Przetłumacz

Cześć!
Opracowałem dziesiątki parserów, tutaj również sobie poradzę, ale chcę zaproponować bardziej stabilne i potencjalnie tańsze podejście: bezpośrednie skrobanie profili LinkedIn szybko prowadzi do zablokowania, nawet z proxy - potrzebne są dokładnie rezydenckie (proxy z datacenter są natychmiast blokowane). Orientacyjnie rezydenckie proxy kosztują od 3,6 do 7,35 USD/GB, podczas gdy płatne API wyszukiwania typu SerpAPI kosztują od 0,001 do 0,01 USD za zapytanie - na dużą skalę jest to znacznie tańsze i stabilniejsze niż bezpośrednie skrobanie + proxy. Po ostatnich aktualizacjach Cloudflare (to trwało gdzieś pół roku) trochę ciężko jest z ustawieniami unikalnych odcisków urządzeń do antydetekcji.
Dlatego proponuję podejście przez API wyszukiwania zamiast bezpośredniego skrobania - mniejsze ryzyko blokad i bardziej przewidywalny koszt.

Pokaż oryginał

Przetłumacz

Cześć!

Mam duże doświadczenie w opracowywaniu rozwiązań do parsowania i przetwarzania danych (różne źródła, ochrona przed blokadami, automatyzacja). Jestem gotów wykonać postawione zadanie.

Proponuję omówić szczegóły w wiadomościach prywatnych.

Pokaż oryginał

Przetłumacz

Witam, mam doświadczenie z technologiami, które wymieniłeś, a także pracowałem nad podobnymi projektami związanymi z parsowaniem. Najciekawszym i najtrudniejszym projektem był projekt związany z parsowaniem i automatyzacją rejestracji na wycieczki, gdzie występowały problemy z limitami i blokadami.

Pokaż oryginał

Przetłumacz

Dzień dobry!

Mam duże doświadczenie w opracowywaniu rozwiązań OSINT oraz systemów wzbogacania danych w Pythonie z wykorzystaniem Playwright/Selenium/Scrapy. Efektywnie realizuję wyszukiwanie, weryfikację i strukturyzację danych z otwartych źródeł, zapewniając dokładność i skalowalność.

Napisz do mnie na priv, doprecyzujemy szczegóły.

Pokaż oryginał

Przetłumacz

Dzień dobry, programowaniem w sieci zajmuję się od ponad 9 lat. Pracuję z rest api, frameworkami i cms takimi jak django, laravel, yii2, wp, opencart, codeigniter itd. To nie jest sztuczna inteligencja.

Pokaż oryginał

Przetłumacz

Dzień dobry!

Robiłem podobne rzeczy — wzbogacanie baz kontaktów poprzez wyszukiwanie i porównywanie profili, więc zadanie jest zrozumiałe z pół słowa.

Co do podejścia: wpisy z waszej bazy (imię + firma + stan) przeszukuję przez Google z operatorami typu site:linkedin.com/in "Imię" "Firma" — tak znajduje się sam profil, nie wpadając od razu w blokadę LinkedIn. Następnie — porównanie: sprawdzam znaleziony profil z wyjściowym wpisem według imienia, nazwy firmy, stanu i adresu, aby nie łapać fałszywych zgodności (przy tych samych imionach to główny problem, dlatego dopasowanie robię według kilku atrybutów + próg pewności). Duplikaty czyszczę na wyjściu.

Stos technologiczny: Python + Playwright (do stron renderowanych) oraz Scrapy/requests tam, gdzie można prościej. Proxy koniecznie — w przeciwnym razie LinkedIn ogranicza ilościowo. Wynik oddaję w JSON lub CSV, jak wam wygodniej.

Szczerze o jednym punkcie, aby nie było niespodzianek: zdjęcia, linki do mediów społecznościowych i strony firmy z LinkedIn są dostępne normalnie, ale e-mail i telefon są tam częściej ukryte — publicznie nie są widoczne u wszystkich. To, co jest otwarte, zbiorę; gdzie kontaktów nie ma w dostępie, pole będzie puste (mogę dodatkowo pozyskiwać z innych źródeł, jeśli trzeba, — omówimy).
…
Na jakim wolumenie planujecie start i czy macie przykład waszej aktualnej tabeli? Zobaczę strukturę — i powiem realne terminy.

Bezpłatnie doradzę w projekcie w wiadomości prywatnej 🙂

Pokaż oryginał

Przetłumacz

Dzień dobry, mogę stworzyć taki produkt z użyciem Pythona. Skrobanie, deduplikacja itd.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Realizacja wyszukiwania przez operatory "site:linkedin.com/in" to właściwy wybór, który pozwoli wzbogacić bazę bez ryzyka natychmiastowego zablokowania kont w samym LinkedIn. Jednak przy pracy z dużymi zbiorami danych w USA istnieją dwa krytyczne aspekty inżynieryjne, które należy uwzględnić w architekturze od samego początku:

1. Ominięcie limitów Google i LinkedIn
Bezpośrednie uruchomienie emulatora przeglądarki do zapytań wyszukiwania w Google szybko napotka na CAPTCHA (już po kilku dziesiątkach iteracji). Dla stabilnej pracy systemu w trybie wielowątkowym używam PHP w połączeniu z rotacyjnymi proxy residentami oraz narzędziami automatyzacji (takimi jak Symfony Panther lub w ramach Laravel przez Spatie Browsershot / headless Chrome). Alternatywną i bardziej stabilną opcją dla dużych wolumenów wyszukiwania jest integracja przez Search API, co całkowicie eliminuje problem CAPTCHA Google. Same zdjęcia profili oraz dane biznesowe są pobierane przez emulację przeglądarki w celu ominięcia ochrony JS LinkedIn.

2. Weryfikacja i minimalizacja błędnych dopasowań (Matching)
Aby uniknąć łączenia osób o tym samym nazwisku z różnych stanów, system wykonuje wielopoziomową walidację za pomocą PHP:
… - Normalizacja nazw firm (oczyszczenie z Ltd, Corp, LLC).
- Porównywanie ciągów za pomocą algorytmów podobieństwa tekstów (wbudowane "levenshtein()", "similar_text()" lub implementacja Jaro-Winkler) dla imion i nazw firm.
- Ścisły filtr geograficzny na zgodność stanu/adresu podanego w twojej bazie z danymi znalezionego profilu.
Na podstawie tych czynników każdemu wpisowi przypisywana jest ocena pewności. Do końcowego pliku CSV/JSON eksportowane są tylko wyniki, które przeszły ustalony próg dokładności.

Stos technologiczny: PHP (CLI / Laravel), Symfony Panther / Headless Chrome (automatyzacja przeglądarki), Laravel Queues (Redis) dla niezawodnej kolejki i wielowątkowości, algorytmy dopasowywania ciągów do oczyszczania danych.

Szacunkowy koszt opracowania i konfiguracji takiego rozwiązania: 400 – 600 USD (w zależności od ostatecznej objętości danych i potrzeby integracji z zewnętrznymi API).
Termin realizacji: 5–7 dni roboczych do wydania pierwszego stabilnego wyniku.

Jestem gotów przetestować logikę na małym teście twojej bazy (na przykład 20–50 wierszy), aby pokazać dokładność zbierania i dopasowywania na moim stosie. Czekam na feedback na czacie.

Pokaż oryginał

Przetłumacz

Dzień dobry!

Jestem gotów zająć się realizacją systemu wzbogacania danych z otwartych źródeł.

Mam doświadczenie w parsowaniu, wzbogacaniu danych, automatyzacji wyszukiwania, przetwarzaniu dużych zbiorów CSV/JSON, deduplikacji oraz weryfikacji danych według kilku atrybutów.

Proponuję stos technologiczny:
• Python;
• Playwright / Selenium do stron dynamicznych;
… • Scrapy / Requests / BeautifulSoup do źródeł statycznych;
• pandas do przetwarzania danych;
• fuzzy matching do dopasowywania imion, firm, adresów i stanów;
• eksport wyników do CSV / JSON.

Widzę podejście w następujący sposób:

1. Załadowanie początkowej bazy.
2. Generacja zapytań wyszukujących według imienia, firmy, stanu i adresu.
3. Wyszukiwanie profili i stron biznesowych przez otwarte źródła.
4. Dopasowanie wyników do rekordów według kilku parametrów.
5. Weryfikacja dopasowań i przypisanie confidence score.
6. Zbieranie dostępnych pól: LinkedIn/Facebook, strona, telefon, email, zdjęcie profilu, media społecznościowe.
7. Deduplikacja i formowanie finalnego CSV/JSON.

Mogę również przewidzieć logowanie, ponowne przetwarzanie nieudanych rekordów oraz ręczną weryfikację wątpliwych dopasowań, aby zminimalizować błędy.

Jestem gotów omówić zakres bazy, przykład pliku wejściowego oraz pożądaną strukturę wyniku.

Pokaż oryginał

Przetłumacz

Dzień dobry! Zadanie jest zrozumiałe, więc mogę zrealizować taki system w ciągu kilku dni!!! Gotowa na produktywną i jakościową współpracę!!!

Pokaż oryginał

Przetłumacz

Dzień dobry.

Mam duże doświadczenie w tworzeniu projektów internetowych w PHP i Pythonie, automatyzacji przetwarzania danych, integracjach z zewnętrznymi usługami oraz pracy z dużymi zbiorami informacji. Pracowałem również z parsowaniem danych z otwartych źródeł, przetwarzaniem wyników oraz ich dalszym strukturyzowaniem do wykorzystania w procesach biznesowych. W swoim czasie zarządzaliśmy sieciami stron internetowych mfa z zebranych danych firm.

Aby zrealizować podobny projekt, widzę rozwiązanie w postaci wielostopniowego pipeline'u:

wyszukiwanie potencjalnych profili przez wyszukiwarki i otwarte źródła;
automatyczny zbiór danych za pomocą Pythona (Selenium/Scrapy, zobaczymy, co będzie odpowiednie);
werifikacja zgodności według imienia i nazwiska, nazwy firmy, adresu, stanu oraz dodatkowych atrybutów;
… deduplication i ocena wiarygodności znalezionych wyników;
formowanie ustrukturyzowanego wyniku w formatach JSON lub CSV.

Z technologii mam doświadczenie w pracy z Pythonem, Selenium, SQL, REST API, przetwarzaniem danych oraz automatyzacją procesów biznesowych. Mam również znaczące doświadczenie w pracy z systemami legacy oraz projektami, w których trzeba szybko zrozumieć logikę przetwarzania dużych ilości danych.

Jestem gotów omówić szczegóły, oczekiwane ilości zapisów oraz wymagania dotyczące dokładności dopasowania danych.

Pokaż oryginał

Przetłumacz

Dzień dobry.\nJestem gotów zrealizować system wzbogacania bazy danych z otwartych źródeł: LinkedIn, Facebook, strony firmowe oraz wyszukiwarki.\nPracuję z Pythonem, Playwright/Selenium, CSV/JSON, parsowaniem, deduplikacją oraz weryfikacją danych. Mogę skonfigurować wyszukiwanie profili, dopasowywanie według imienia, firmy, adresu/stanu oraz formowanie gotowego wyniku w CSV lub JSON.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Mam doświadczenie w tworzeniu parserów oraz systemów zbierania/wzbogacania danych w Pythonie (Playwright, Selenium). Pracowałem z wyszukiwaniem i weryfikacją kontaktów, profili firm i właścicieli biznesów z otwartych źródeł.

Mogę zaproponować rozwiązanie do dopasowywania danych według imienia i nazwiska, firmy oraz lokalizacji z eksportem wyników do CSV lub JSON. Jeśli masz przykład bazy — prześlij, szybko ocenię złożoność i zakres prac.

Pokaż oryginał

Przetłumacz

Cześć.

Opracowuję parsery w NodeJS. Jestem gotów się tym zająć. Piszcie, omówimy.

Pokaż oryginał

Przetłumacz

Witam. Mam odpowiednie doświadczenie w automatyzacji w Pythonie, parsowaniu otwartych źródeł, podejściu OSINT, deduplikacji i strukturyzacji danych.

Pracowałem nad zadaniami zbierania danych z witryn, mediów społecznościowych, Telegramu/źródeł internetowych, przetwarzania profili, wyszukiwania dopasowań, filtrowania nieistotnych wyników oraz eksportu do CSV/Excel/JSON.

Stos technologiczny: Python, Playwright, Selenium, Scrapy/BeautifulSoup, requests/httpx, Pandas, PostgreSQL/SQLite, SQLAlchemy, Docker. W razie potrzeby można dodać kolejki, proxy, limity prędkości, logowanie oraz mechanizm wznowienia dla dużych zbiorów danych.

Widzę podejście w ten sposób:

1. Bierzemy dane wejściowe: imię, firma, adres, stan.
… 2. Generujemy zapytania wyszukujące przez Google/Bing z operatorami `site:linkedin.com/in`, `site:linkedin.com/company`, a także wyszukiwanie na stronie firmy.
3. Zbieramy kandydatów: profil LinkedIn, strona firmy, witryna, telefon, e-mail, linki do mediów społecznościowych.
4. Robimy ocenę weryfikacyjną: dopasowanie imienia, firmy, stanu, adresu/miasta, stanowiska, domeny firmy.
5. Odrzucamy słabe dopasowania, duplikaty i podejrzane wyniki.
6. Formujemy ustrukturyzowany wynik w CSV lub JSON z wynikiem pewności i źródłami.

Mogę zrealizować MVP, które przetwarza część bazy, pokazuje jakość dopasowania, a następnie skalować pod duże zbiory we wszystkich stanach USA.

Pokaż oryginał

Przetłumacz

mamy prawie gotowe rozwiązanie do wzbogacania baz i klasyfikacji znalezionych profili, możemy szybko dostosować do twoich zapisów i omówić szczegóły tutaj, jestem w kontakcie ))
wstępnie widzę pierwszy etap roboczy na 16 dni, w stawce zakładam 65000 UAH za pilota z wyszukiwaniem, weryfikacją dopasowań, deduplikacją i eksportem do JSON lub CSV.
Technicznie robiłbym to w Pythonie, Playwright lub Scrapy, kolejki zadań, cache wyników, scoring dopasowań według imienia, firmy, adresu, stanu, domeny i telefonu.
Osobno zakładałbym ograniczenia częstotliwości, ponowne weryfikacje, log przyczyn dopasowania i ręczną listę wątpliwych zapisów, bo w takich zadaniach lepiej siedem razy zmierzyć, niż potem czyścić całą bazę ręcznie.
Relewantne doświadczenie mam w automatyzacji zbierania, strukturyzowania i weryfikacji danych dla procesów biznesowych.
https://business.ingello.com/vorfahr - blisko pod względem logiki automatyzacji wyszukiwania i pracy z danymi.
https://business.ingello.com/fractal - przykład automatyzacji agencji i skomplikowanych procesów przetwarzania informacji.
nasz profil i podejście dla FLH - https://systems-fl.ingello.com/ua
wyjaśnię tylko 2 rzeczy.
… jaki jest zakres pierwszej partii - 1000, 10000, 100000 zapisów czy więcej?
fotografia profilu ma być przechowywana jako link czy ładowana plikiem?

Pokaż oryginał

Przetłumacz

Dzień dobry, jestem gotów wykonać twoje zadanie szybko i jakościowo. Mam duże doświadczenie w tworzeniu różnych parserów. Napisz w wiadomościach prywatnych, omówimy szczegóły. Chętnie pomogę)

Pokaż oryginał

Przetłumacz