Files

salvacybersec abe170a1f8 first commit

2025-11-13 03:25:21 +03:00

25 KiB

Raw Blame History

YouTube Transcript RSS Feed - Geliştirme Planı

Proje Özeti

YouTube video transkriptlerini otomatik olarak çıkarıp, tam metin içeren RSS feed'ine dönüştüren otomatik bir pipeline geliştirilmesi. Sistem, Python tabanlı transcript çıkarımı ve RSS feed oluşturma ile RSS-Bridge entegrasyonu seçeneklerini içerir.

Faz 1: Proje Altyapısı ve Ortam Kurulumu

1.1. Teknoloji Stack Seçimi

Ana Yaklaşım: Python Tabanlı (Önerilen)

Transcript Çıkarımı: youtube-transcript-api
RSS Oluşturma: python-feedgen
Video Listesi: RSS-Bridge (RSS feed parser)
Dil: Python 3.8+

1.2. Geliştirme Ortamı Kurulumu

Görevler:

Python 3.8+ kurulumu doğrulama
Virtual environment oluşturma (python -m venv venv)

Gerekli paketlerin kurulumu:

pip install youtube-transcript-api
pip install feedgen
pip install python-dateutil
pip install feedparser  # RSS-Bridge feed'lerini parse etmek için
pip install requests   # HTTP istekleri için
pip install aiolimiter  # Async rate limiting için
pip install httpx      # Async HTTP client
pip install spacy      # NLP ve Sentence Boundary Detection için

Not: SQLite Python'da built-in (sqlite3 modülü), ekstra kurulum gerekmez. SpaCy Model: python -m spacy download en_core_web_sm (veya tr_core_news_sm Türkçe için)

Proje dizin yapısı oluşturma:

yttranscriptrss/
├── src/
│   ├── transcript_extractor.py
│   ├── transcript_cleaner.py
│   ├── rss_generator.py
│   ├── video_fetcher.py
│   └── database.py
├── config/
│   └── config.yaml
├── data/
│   └── videos.db
├── output/
│   └── transcript_feed.xml
├── tests/
├── requirements.txt
└── main.py

Süre Tahmini: 1-2 gün

Faz 2: Transcript Çıkarımı ve Temizleme Modülü

2.1. Transcript Çıkarımı (`transcript_extractor.py`)

Görevler:

youtube-transcript-api ile video ID'den transcript çıkarma
Çoklu dil desteği (fallback mekanizması)
- Örnek: languages=['tr', 'en'] - önce Türkçe, yoksa İngilizce
Hata yönetimi:
- Transcript bulunamama durumları
- API rate limiting
- Geçersiz video ID'ler

Raw transcript formatını anlama:

# Format: [{"text": "...", "start": 0.0, "duration": 2.5}, ...]

Kritik Gereksinimler:

Headless browser kullanmama (API tabanlı yaklaşım)
Otomatik ve manuel transkriptleri destekleme
Async Rate Limiting: AIOLimiter ile eş zamanlı istek yönetimi
- API limiti: 10 saniyede 5 istek
- Async batching ile paralel işleme
Retry-After Header: 429 hatalarında Retry-After header'ını kullanma
- Dinamik bekleme süresi (statik delay yerine)
- Exponential backoff mekanizması
Timeout ve retry mekanizmaları

Süre Tahmini: 3-4 gün

2.2. Transcript Temizleme ve Dönüştürme (`transcript_cleaner.py`)

Görevler:

Veri Temizleme Pipeline:
- Artifact Removal:
  - Zaman tabanlı işaretçileri kaldırma
  - Konuşma dışı etiketler: [Music], [Applause], vb.
  - Aşırı boşlukları temizleme
- Normalizasyon:
  - Unicode karakter normalleştirme
  - Metin standardizasyonu
Sentence Boundary Detection (SBD) - SpaCy Entegrasyonu:
- SpaCy Model Kullanımı: en_core_web_sm veya tr_core_news_sm
- Noktalama işaretlerinin ötesine geçme:
  - Doğal duraklama noktalarını tespit
  - Anlamsal sınırları belirleme
  - Konuşmacı değişikliklerini algılama
- Fragment'ları birleştirme ve cümle sınırlarını tespit etme
- Paragraf yapısı oluşturma (cümle sayısı veya anlamsal değişikliklere göre)
- Özelleştirme: Özel içerik için kural tabanlı SBD uzantıları
HTML Wrapping:
- Temizlenmiş metni <p>...</p> tag'leri ile sarmalama
- Paragraf yapısını koruma
- Minimal HTML (sadece gerekli tag'ler)
XML Entity Escaping (Kritik!):
- Zorunlu karakter dönüşümleri:
  - & → & (özellikle URL'lerde kritik!)
  - < → <
  - > → >
  - " → "
  - ' → '
- CDATA kullanımı: İsteğe bağlı ama entity escaping hala gerekli
- URL'lerdeki ampersand'ların kaçışı özellikle önemli

Algoritma Özeti:

Artifact'ları kaldır ve normalize et
SpaCy ile fragment'ları birleştir ve cümle sınırlarını tespit et
Paragraflara böl (anlamsal veya cümle sayısına göre)
HTML tag'leri ekle (<p>...</p>)
XML entity escaping uygula (özellikle & karakterleri)

Süre Tahmini: 4-5 gün

Faz 3: Video Metadata Çıkarımı ve Yönetimi

3.1. Video Metadata Fetcher (`video_fetcher.py`) - RSS-Bridge Entegrasyonu

Görevler:

RSS-Bridge Feed Parser:
- Public RSS-Bridge instance kullanımı (Önerilen):
  - Base URL: https://rss-bridge.org/bridge01/
  - Ücretsiz ve hazır kullanılabilir
  - Rate limiting riski var ama başlangıç için yeterli
- RSS-Bridge YouTube Bridge endpoint'ini kullanma
- Doğru URL formatı:
  - Public (Channel ID): https://rss-bridge.org/bridge01/?action=display&bridge=YoutubeBridge&context=By+channel+id&c=CHANNEL_ID&format=Atom
  - Public (Channel Handle): https://rss-bridge.org/bridge01/?action=display&bridge=YoutubeBridge&context=By+username&u=USERNAME&format=Atom
  - Self-hosted (opsiyonel): http://localhost:3000/?action=display&bridge=YoutubeBridge&context=By+channel+id&c=CHANNEL_ID&format=Atom
- Önemli parametreler:
  - bridge=YoutubeBridge (Youtube değil!)
  - context=By+channel+id veya context=By+username
  - c=CHANNEL_ID (channel ID için) veya u=USERNAME (handle için)
  - format=Atom veya format=Rss (feed için, Html değil)
  - duration_min ve duration_max (opsiyonel filtreleme)
Feed Parsing (feedparser kullanarak):
- RSS/Atom feed'ini parse etme
- Video entry'lerini çıkarma
- Metadata çıkarımı:
  - Video ID (YouTube URL'den parse)
  - Video başlığı (entry.title)
  - Yayın tarihi (entry.published - timezone-aware)
  - Video URL (entry.link)
  - Video açıklaması (entry.summary - opsiyonel)
  - Thumbnail URL (opsiyonel)
RSS-Bridge Avantajları:
- Native feed'den daha fazla video (10-15 yerine 100+)
- Channel Handle (@username) desteği
- Filtreleme seçenekleri (duration, vb.)
Hata Yönetimi:
- RSS-Bridge instance erişilemezse fallback (native RSS)
- Rate limiting handling
- Feed format validation
Channel ID Extraction (Handle'dan):
- Channel handle (@username) verildiğinde Channel ID'yi bulma
- Web scraping ile HTML source'dan Channel ID çıkarma
- Regex pattern: "externalId":"(UC[a-zA-Z0-9_-]{22})" veya "channelId":"(UC[a-zA-Z0-9_-]{22})"
- Channel ID formatı: UC ile başlar, 22 karakter
- Fallback mekanizması: İlk pattern bulunamazsa alternatif pattern dene
- Hata yönetimi: Request exception handling
Video ID Extraction:
- YouTube URL'den video ID çıkarma
- Regex pattern: youtube.com/watch?v=([a-zA-Z0-9_-]+)
- Short URL desteği: youtu.be/([a-zA-Z0-9_-]+)
yt-dlp entegrasyonu (opsiyonel, gelişmiş metadata için)

RSS-Bridge Kullanım Örneği:

import feedparser
from urllib.parse import urlencode

# Public RSS-Bridge base URL
RSS_BRIDGE_BASE = "https://rss-bridge.org/bridge01"

# Channel ID ile feed URL'i oluştur
params = {
    'action': 'display',
    'bridge': 'YoutubeBridge',
    'context': 'By channel id',
    'c': 'UC9h8BDcXwkhZtnqoQJ7PggA',  # Channel ID
    'format': 'Atom'  # veya 'Rss'
}
rss_bridge_url = f"{RSS_BRIDGE_BASE}/?{urlencode(params)}"

# Feed'i parse et
feed = feedparser.parse(rss_bridge_url)

# Video entry'lerini işle
for entry in feed.entries:
    video_id = extract_video_id(entry.link)
    video_title = entry.title
    published_date = entry.published_parsed  # timezone-aware
    video_url = entry.link

Gerçek Örnek URL:

https://rss-bridge.org/bridge01/?action=display&bridge=YoutubeBridge&context=By+channel+id&c=UC9h8BDcXwkhZtnqoQJ7PggA&format=Atom

Channel ID Bulma Fonksiyonu (Handle'dan):

import requests
import re

def get_channel_id_from_handle(handle_url):
    """
    Channel handle URL'inden Channel ID'yi web scraping ile bulur.
    Örnek: https://www.youtube.com/@tavakfi -> UC...
    """
    try:
        # HTML içeriğini çek
        response = requests.get(handle_url)
        response.raise_for_status()
        
        html_content = response.text
        
        # İlk pattern: "externalId":"UC..."
        match = re.search(r'"externalId":"(UC[a-zA-Z0-9_-]{22})"', html_content)
        if match:
            return match.group(1)
        
        # Alternatif pattern: "channelId":"UC..."
        match_alt = re.search(r'"channelId":"(UC[a-zA-Z0-9_-]{22})"', html_content)
        if match_alt:
            return match_alt.group(1)
        
        return None  # Channel ID bulunamadı
        
    except requests.exceptions.RequestException as e:
        raise Exception(f"Error fetching channel page: {e}")

# Kullanım örneği
handle_url = "https://www.youtube.com/@tavakfi"
channel_id = get_channel_id_from_handle(handle_url)
# Artık channel_id ile RSS-Bridge feed'ini çekebiliriz

Süre Tahmini: 3 gün

3.2. İşlenmiş Video Takibi (`database.py` - SQLite)

Görevler:

SQLite veritabanı modülü oluşturma (database.py)

Veritabanı şeması tasarımı:

-- Channels tablosu (kanal takibi için)
CREATE TABLE IF NOT EXISTS channels (
    channel_id TEXT PRIMARY KEY,  -- UC... formatında
    channel_name TEXT,
    channel_url TEXT,
    last_checked_utc TEXT,  -- ISO 8601 UTC format
    created_at_utc TEXT DEFAULT (datetime('now'))
);

CREATE INDEX IF NOT EXISTS idx_channels_last_checked ON channels(last_checked_utc);

-- Videos tablosu (detaylı şema)
CREATE TABLE IF NOT EXISTS videos (
    video_id TEXT PRIMARY KEY,  -- 11 karakterli YouTube video ID
    channel_id TEXT,  -- UC... formatında (FK)
    video_title TEXT,
    video_url TEXT,
    published_at_utc TEXT,  -- ISO 8601 UTC format (YYYY-MM-DDTHH:MM:SSZ)
    processed_at_utc TEXT,  -- ISO 8601 UTC format
    transcript_status INTEGER DEFAULT 0,  -- 0: Beklemede, 1: Çıkarıldı, 2: Başarısız
    transcript_language TEXT,
    transcript_raw TEXT,  -- Ham, bölümlenmemiş transcript
    transcript_clean TEXT,  -- SBD ile işlenmiş, RSS için hazır HTML
    last_updated_utc TEXT DEFAULT (datetime('now'))
);

-- Kritik index'ler (performans için)
CREATE INDEX IF NOT EXISTS idx_videos_channel_id ON videos(channel_id);
CREATE INDEX IF NOT EXISTS idx_videos_published_at_utc ON videos(published_at_utc);
CREATE INDEX IF NOT EXISTS idx_videos_transcript_status ON videos(transcript_status);
CREATE INDEX IF NOT EXISTS idx_videos_processed_at_utc ON videos(processed_at_utc);

Önemli Notlar:

Zaman Formatı: UTC ISO 8601 (YYYY-MM-DDTHH:MM:SSZ) - SQLite'ın timezone desteği yok
transcript_status: INTEGER (0, 1, 2) - String değil, performans için
Index Optimizasyonu: EXPLAIN QUERY PLAN ile sorgu performansını doğrula
DATE() fonksiyonu kullanma: Index kullanımını engeller, direkt timestamp karşılaştırması yap

Database helper fonksiyonları:
- init_database() - Veritabanı ve tablo oluşturma
- is_video_processed(video_id) - Duplicate kontrolü
- get_pending_videos() - transcript_status = 0 olan videoları getir
- add_video(video_data) - Yeni video kaydı (status=0 olarak)
- update_video_transcript(video_id, raw, clean, status, language) - Transcript güncelleme
- get_processed_videos(limit=None, channel_id=None) - İşlenmiş videoları getir
- mark_video_failed(video_id, reason) - Kalıcı hata işaretleme (status=2)
- Query Performance: EXPLAIN QUERY PLAN ile index kullanımını doğrula
Yeni video tespiti algoritması:
1. RSS-Bridge feed'den son videoları çek
2. SQLite veritabanında video_id ile sorgula
3. Sadece yeni videoları (veritabanında olmayan) işle
Transaction yönetimi (ACID compliance)
Connection pooling ve error handling

Avantajlar:

Daha hızlı sorgulama (index'li)
Transaction desteği
İlişkisel veri yapısı
Daha iyi veri bütünlüğü
İstatistik sorguları kolaylaşır

Süre Tahmini: 2 gün

Faz 4: RSS Feed Oluşturma

4.1. RSS Generator (`rss_generator.py`)

Görevler:

python-feedgen ile FeedGenerator oluşturma

Content Namespace Extension ekleme:

<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/">

Channel metadata ayarlama:
- fg.id() - Channel ID
- fg.title() - Kanal başlığı
- fg.link() - Kanal URL'i
- fg.language('tr') - Dil
- fg.lastBuildDate() - Son güncelleme tarihi
Item oluşturma:
- fe.id(video_id) - GUID (YouTube Video ID)
- fe.title(video_title) - Video başlığı
- fe.link(href=video_url) - Video linki
- fe.published(datetime_with_timezone) - Yayın tarihi (timezone-aware)
- fe.description(summary) - Kısa özet
- fe.content(content=cleaned_transcript_html) - Tam transcript (<content:encoded>)

Kritik Gereksinimler:

Timezone-aware tarih formatı (RFC 822 veya ISO 8601)
Video ID'nin GUID olarak kullanılması (immutable)
Full-text için <content:encoded> tag'i

Süre Tahmini: 2-3 gün

4.2. RSS Output ve Serialization

Görevler:

XML dosyası oluşturma:

fg.rss_file('transcript_feed.xml', pretty=True, extensions=True)

Pretty printing (okunabilirlik için)
Extensions desteği (Content Namespace dahil)

Süre Tahmini: 1 gün

Faz 5: Ana Pipeline ve Otomasyon

5.1. Main Pipeline (`main.py`)

Görevler:

Tüm modüllerin entegrasyonu
İş akışı:
1. SQLite veritabanını başlat (init_database())
2. Configuration'dan channel bilgisini oku:
  - Eğer handle (@username) verildiyse, get_channel_id_from_handle() ile Channel ID'ye çevir
  - Channel ID zaten varsa direkt kullan
3. RSS-Bridge feed'den yeni videoları tespit et (video_fetcher.py)
4. SQLite veritabanında video_id ile duplicate kontrolü yap
5. Yeni videolar için: a. Transcript çıkar b. Transcript'i temizle c. RSS feed'e ekle d. SQLite'a kaydet (video metadata + işlenme durumu)
6. RSS feed'i güncelle (veritabanından tüm işlenmiş videoları çek)
7. XML dosyasını kaydet
Hata yönetimi ve logging
Configuration dosyası yükleme
Database transaction yönetimi (rollback on error)

Süre Tahmini: 2-3 gün

5.2. Configuration Management (`config.yaml`)

Görevler:

Yapılandırma dosyası oluşturma:

channel:
  # Channel ID veya Handle (otomatik dönüştürülür)
  id: "UC9h8BDcXwkhZtnqoQJ7PggA"  # Channel ID (UC ile başlar)
  # veya handle kullanılabilir:
  # handle: "@tavakfi"  # Handle kullanılırsa otomatik olarak Channel ID'ye çevrilir
  # veya full URL:
  # handle_url: "https://www.youtube.com/@tavakfi"
  name: "Channel Name"
  url: "https://youtube.com/channel/..."
  language: "tr"

rss_bridge:
  # Public RSS-Bridge instance (varsayılan - önerilen)
  base_url: "https://rss-bridge.org/bridge01"
  # Self-hosted instance (opsiyonel - rate limiting sorunları için)
  # base_url: "http://localhost:3000"
  bridge_name: "YoutubeBridge"  # Önemli: "YoutubeBridge" olmalı
  context: "By channel id"  # veya "By username"
  format: "Atom"  # veya "Rss" (feed için)
  max_items: 100  # RSS-Bridge'den çekilecek maksimum video sayısı
  use_fallback: true  # RSS-Bridge erişilemezse native RSS kullan
  # Opsiyonel filtreleme
  duration_min: null  # dakika cinsinden minimum süre
  duration_max: null  # dakika cinsinden maksimum süre

transcript:
  languages: ["tr", "en"]
  enable_sbd: true
  paragraph_length: 3

rss:
  title: "Channel Transcript Feed"
  description: "Full-text transcript RSS feed"
  output_file: "transcript_feed.xml"

automation:
  check_interval_hours: 12
  max_items: 100

Süre Tahmini: 1 gün

Faz 6: Test ve Validasyon

6.1. Unit Testler

Görevler:

Transcript extractor testleri
Transcript cleaner testleri (SBD, XML escaping)
RSS generator testleri
Video fetcher testleri:
- RSS-Bridge feed parsing
- Channel ID extraction (handle'dan):
  - Handle URL'den Channel ID çıkarma
  - Regex pattern matching testleri
  - Fallback pattern testleri
  - Hata durumları (geçersiz handle, network error)
- Video ID extraction (URL'den)
- Fallback mekanizması (RSS-Bridge erişilemezse)
- Feed format validation (Atom/RSS)
Database modülü testleri:
- Veritabanı oluşturma
- Video ekleme/sorgulama
- Duplicate kontrolü
- Transaction rollback testleri
- Test veritabanı kullanımı (in-memory SQLite)

Süre Tahmini: 2-3 gün

6.2. RSS Feed Validasyonu

Görevler:

W3C Feed Validation Service ile doğrulama
- URL: https://validator.w3.org/feed/
Validasyon checklist:
- XML entity escaping doğru mu?
- Zorunlu RSS 2.0 tag'leri mevcut mu? (<title>, <link>, <description>)
- Content Namespace doğru tanımlanmış mı?
- Timezone-aware tarih formatı doğru mu?
- GUID'ler unique ve immutable mi?
Farklı RSS reader'larda test (Feedly, Tiny Tiny RSS, vb.)

Süre Tahmini: 1-2 gün

Faz 7: Deployment ve Hosting

7.1. Static Hosting Seçimi

Seçenekler:

GitHub Pages (Önerilen)
- Ücretsiz
- CI/CD entegrasyonu
- Version control
Static.app / StaticSave
- Ücretsiz tier mevcut
- Dosya boyutu limitleri var

Görevler:

GitHub repository oluşturma
GitHub Actions workflow oluşturma (otomatik çalıştırma için)
MIME type ayarları (application/rss+xml)
Public URL oluşturma

Süre Tahmini: 1-2 gün

7.2. Otomasyon ve Scheduling

Seçenekler:

GitHub Actions (Önerilen)
- Cron job: Her 12-24 saatte bir
- Ücretsiz tier yeterli
Cron Job (VPS/Server)
- Tam kontrol
- Sunucu gereksinimi
Cloud Functions (AWS Lambda, Google Cloud Functions)
- Serverless
- Kullanım bazlı maliyet

GitHub Actions Workflow Örneği (Optimize Edilmiş):

name: Update RSS Feed
on:
  schedule:
    - cron: '0 */12 * * *'  # Her 12 saatte bir
  workflow_dispatch:  # Manuel tetikleme

jobs:
  update-feed:
    runs-on: ubuntu-latest
    steps:
      # 1. Checkout (commit SHA ile sabitlenmiş - güvenlik)
      - uses: actions/checkout@8e5e7e5f366d5b8b75e3d67731b8b25a0a40a8a7  # v4 commit SHA
      
      # 2. Python setup
      - uses: actions/setup-python@0a5d62f8d0679a54b4c1a51b3c9c0e0e8e8e8e8e  # v5 commit SHA
        with:
          python-version: '3.10'
      
      # 3. Cache veritabanı (Git commit yerine - performans)
      - name: Cache database
        uses: actions/cache@v3
        with:
          path: data/videos.db
          key: ${{ runner.os }}-videos-db-${{ hashFiles('data/videos.db') }}
          restore-keys: |
            ${{ runner.os }}-videos-db-
      
      # 4. Install dependencies
      - run: pip install -r requirements.txt
      - run: python -m spacy download en_core_web_sm
      
      # 5. Run pipeline
      - run: python main.py
      
      # 6. Save database to cache
      - name: Save database to cache
        uses: actions/cache@v3
        with:
          path: data/videos.db
          key: ${{ runner.os }}-videos-db-${{ hashFiles('data/videos.db') }}
      
      # 7. Upload RSS feed as artifact
      - name: Upload RSS feed
        uses: actions/upload-artifact@v3
        with:
          name: transcript-feed
          path: output/transcript_feed.xml
          retention-days: 30
      
      # 8. Deploy to GitHub Pages (opsiyonel)
      - name: Deploy to GitHub Pages
        uses: peaceiris/actions-gh-pages@v3
        with:
          github_token: ${{ secrets.GITHUB_TOKEN }}
          publish_dir: ./output

Önemli Notlar:

Cache Kullanımı: Veritabanı için actions/cache kullan (Git commit yerine) - daha hızlı
Action Pinning: Tüm action'lar commit SHA ile sabitlenmiş (güvenlik)
Artifact: RSS feed'i artifact olarak sakla (GitHub Pages'e deploy edilebilir)
SpaCy Model: CI/CD'de model indirme adımı eklendi

Süre Tahmini: 1-2 gün

Faz 8: İleri Özellikler ve Optimizasyon

8.1. Performans Optimizasyonu

Görevler:

Paralel transcript çıkarımı (çoklu video için)
Caching mekanizması
Rate limiting yönetimi
Batch processing optimizasyonu

Süre Tahmini: 2-3 gün

8.2. Self-Hosted RSS-Bridge Deployment (Opsiyonel - Rate Limiting Sorunları İçin)

Görevler:

Ne zaman self-hosting gerekir?
- Public instance rate limiting'e maruz kalırsa
- Yüksek hacimli kullanım gerekiyorsa
- Özelleştirilmiş bridge'ler (YoutubeEmbedBridge) gerekiyorsa

RSS-Bridge Docker deployment:

docker create --name=rss-bridge --publish 3000:80 \
  --volume $(pwd)/rss-bridge-config:/config \
  rssbridge/rss-bridge
docker start rss-bridge

RSS-Bridge konfigürasyonu:
- config.ini.php ayarları
- CACHE_TIMEOUT ayarlama (TTL kontrolü)
- Custom bridge'ler ekleme (YoutubeEmbedBridge)
Self-hosting avantajları:
- Rate limiting'den kaçınma (dedicated IP)
- Daha fazla video çekebilme (100+)
- Özelleştirilmiş bridge'ler
- Gizlilik ve kontrol
Production deployment:
- Reverse proxy (Nginx) kurulumu
- SSL sertifikası (Let's Encrypt)
- Monitoring ve health checks
YoutubeEmbedBridge entegrasyonu (ad-free playback):
- YoutubeEmbedBridge.php dosyasını /config/bridges/ klasörüne ekle
- Container'ı restart et
- Embed bridge'i test et

Not: Public RSS-Bridge (https://rss-bridge.org/bridge01/) varsayılan olarak kullanılır ve çoğu durumda yeterlidir. Self-hosting sadece rate limiting sorunları yaşandığında veya özel gereksinimler olduğunda önerilir.

Süre Tahmini: 2-3 gün (opsiyonel)

8.3. Monitoring ve Logging

Görevler:

Detaylı logging sistemi
Hata bildirimleri (email, webhook)
Feed health monitoring
İstatistikler (SQLite sorguları ile):
- Toplam işlenen video sayısı
- Başarı/başarısızlık oranları
- Son işlenme tarihleri
- Dil dağılımı
- Günlük/haftalık istatistikler

SQLite İstatistik Örnekleri:

-- Toplam işlenen video sayısı
SELECT COUNT(*) FROM processed_videos;

-- Başarı oranı
SELECT 
  transcript_status,
  COUNT(*) as count,
  ROUND(COUNT(*) * 100.0 / (SELECT COUNT(*) FROM processed_videos), 2) as percentage
FROM processed_videos
GROUP BY transcript_status;

-- Son 7 günde işlenen videolar
SELECT COUNT(*) FROM processed_videos 
WHERE processed_at >= datetime('now', '-7 days');

Süre Tahmini: 2 gün

Toplam Süre Tahmini

Faz	Süre
Faz 1: Altyapı	1-2 gün
Faz 2: Transcript Modülü	7-9 gün
Faz 3: Video Metadata	6 gün
Faz 4: RSS Generation	3-4 gün
Faz 5: Pipeline	3-4 gün
Faz 6: Test & Validasyon	3-5 gün
Faz 7: Deployment	2-4 gün
Faz 8: İleri Özellikler	4-9 gün (opsiyonel)
TOPLAM (Temel)	25-35 gün
TOPLAM (Tam)	29-44 gün

Kritik Başarı Faktörleri

API Stabilitesi: youtube-transcript-api kullanımı (scraping değil)
XML Compliance: Content Namespace Extension ve entity escaping
Timezone Handling: Tüm tarihler timezone-aware olmalı
Duplicate Prevention: Video ID GUID olarak kullanılmalı
Efficient Processing: Sadece yeni videolar işlenmeli

Riskler ve Mitigasyon

Risk	Etki	Mitigasyon
YouTube API değişikliği	Yüksek	`youtube-transcript-api` güncellemelerini takip et
Transcript bulunamama	Orta	Fallback diller, hata yönetimi
Rate limiting	Orta	Exponential backoff, request throttling
XML validation hataları	Yüksek	Comprehensive testing, W3C validation
Hosting maliyeti	Düşük	GitHub Pages (ücretsiz) kullan

Sonraki Adımlar

Hemen Başla: Faz 1 - Proje altyapısı kurulumu
MVP Hedefi: Faz 1-6 tamamlanarak çalışan bir sistem
Production Ready: Faz 7 deployment ile canlıya alma
Optimizasyon: Faz 8 ile gelişmiş özellikler

Referanslar ve Kaynaklar

youtube-transcript-api: https://github.com/jdepoix/youtube-transcript-api
python-feedgen: https://github.com/lkiesow/python-feedgen
RSS 2.0 Specification: https://www.rssboard.org/rss-specification
Content Namespace: http://purl.org/rss/1.0/modules/content/
W3C Feed Validator: https://validator.w3.org/feed/
RSS-Bridge: https://github.com/RSS-Bridge/rss-bridge

25 KiB Raw Blame History Unescape Escape

YouTube Transcript RSS Feed - Geliştirme Planı

Proje Özeti

Faz 1: Proje Altyapısı ve Ortam Kurulumu

1.1. Teknoloji Stack Seçimi

1.2. Geliştirme Ortamı Kurulumu

Faz 2: Transcript Çıkarımı ve Temizleme Modülü

2.1. Transcript Çıkarımı (transcript_extractor.py)

2.2. Transcript Temizleme ve Dönüştürme (transcript_cleaner.py)

Faz 3: Video Metadata Çıkarımı ve Yönetimi

3.1. Video Metadata Fetcher (video_fetcher.py) - RSS-Bridge Entegrasyonu

3.2. İşlenmiş Video Takibi (database.py - SQLite)

Faz 4: RSS Feed Oluşturma

4.1. RSS Generator (rss_generator.py)

4.2. RSS Output ve Serialization

Faz 5: Ana Pipeline ve Otomasyon

5.1. Main Pipeline (main.py)

5.2. Configuration Management (config.yaml)

Faz 6: Test ve Validasyon

6.1. Unit Testler

6.2. RSS Feed Validasyonu

Faz 7: Deployment ve Hosting

7.1. Static Hosting Seçimi

7.2. Otomasyon ve Scheduling

Faz 8: İleri Özellikler ve Optimizasyon

8.1. Performans Optimizasyonu

8.2. Self-Hosted RSS-Bridge Deployment (Opsiyonel - Rate Limiting Sorunları İçin)

8.3. Monitoring ve Logging

Toplam Süre Tahmini

Kritik Başarı Faktörleri

Riskler ve Mitigasyon

Sonraki Adımlar

Referanslar ve Kaynaklar

25 KiB

Raw Blame History

2.1. Transcript Çıkarımı (`transcript_extractor.py`)

2.2. Transcript Temizleme ve Dönüştürme (`transcript_cleaner.py`)

3.1. Video Metadata Fetcher (`video_fetcher.py`) - RSS-Bridge Entegrasyonu

3.2. İşlenmiş Video Takibi (`database.py` - SQLite)

4.1. RSS Generator (`rss_generator.py`)

5.1. Main Pipeline (`main.py`)

5.2. Configuration Management (`config.yaml`)