En este tutorial, demostramos cómo combinar el poder de Serpapi’s Capacidades de búsqueda de Google con el modelo Gemini-1.5-Flash de Google para crear un flujo de trabajo de investigación y análisis de extremo a extremo avanzado dentro de un cuaderno de Google Colab. Al definir una clase AdvancedSerpapi Python, los usuarios obtienen acceso a métodos de búsqueda mejorados que cubren los resultados web generales, los artículos de noticias e imágenes, al tiempo que aprovechan a Gemini para realizar análisis en profundidad de esos resultados. El código proporciona utilidades especializadas para apuntar a los tutoriales de MarktechPost, agregar contenido en categorías como Langchain, ChatGPT y MLOPS, y luego sintetizar ideas procesables utilizando un aviso cuidadosamente construido.
!pip install google-search-results langchain-community langchain-core google-generativeai -q
import os
import json
from serpapi import GoogleSearch
import google.generativeai as genai
from datetime import datetimeInstalamos los paquetes de Python requeridos para búsquedas de Serpapi, utilidades de Langchain y Gemini SDK de Google. Las importaciones posteriores traen módulos estándar (OS, JSON, DateTime) para la configuración del entorno, el manejo JSON y las marcas de tiempo, así como la clase GoogleSearch de Serpapi para hacer llamadas API y Genai para interactuar con el modelo Gemini.
SERPAPI_API_KEY = "Use Your API Key Here"
GEMINI_API_KEY = "Use Your API Key Here"
os.environ["SERPAPI_API_KEY"] = SERPAPI_API_KEY
genai.configure(api_key=GEMINI_API_KEY)
Asignamos cadenas de poseedores de posición para sus claves API de Serpapi y Gemini, luego establecemos la tecla Serpapi como una variable de entorno (por lo que las llamadas de Serpapi se autentican automáticamente) y configure el cliente Gemini con su tecla API para que pueda invocar el modelo Gemini.
class AdvancedSerpAPI:
def __init__(self, serpapi_key, gemini_key):
self.serpapi_key = serpapi_key
self.gemini_model = genai.GenerativeModel('gemini-1.5-flash')
def search_google(self, query, num_results=5, location="United States"):
"""Enhanced Google search with multiple parameters"""
params = {
"engine": "google",
"q": query,
"api_key": self.serpapi_key,
"num": num_results,
"location": location,
"hl": "en",
"gl": "us"
}
search = GoogleSearch(params)
results = search.get_dict()
return self.extract_search_results(results)
def search_news(self, query, days_back=7):
"""Search for recent news articles"""
params = {
"engine": "google_news",
"q": query,
"api_key": self.serpapi_key,
"gl": "us",
"hl": "en"
}
search = GoogleSearch(params)
results = search.get_dict()
return self.extract_news_results(results)
def search_images(self, query, num_images=10):
"""Search for images with metadata"""
params = {
"engine": "google_images",
"q": query,
"api_key": self.serpapi_key,
"num": num_images
}
search = GoogleSearch(params)
results = search.get_dict()
return self.extract_image_results(results)
def extract_search_results(self, results):
"""Extract and clean search results"""
cleaned_results = []
if 'organic_results' in results:
for result in results['organic_results']:
cleaned_results.append({
'title': result.get('title', ''),
'link': result.get('link', ''),
'snippet': result.get('snippet', ''),
'position': result.get('position', 0)
})
return cleaned_results
def extract_news_results(self, results):
"""Extract news articles with timestamps"""
news_results = []
if 'news_results' in results:
for article in results['news_results']:
news_results.append({
'title': article.get('title', ''),
'link': article.get('link', ''),
'snippet': article.get('snippet', ''),
'date': article.get('date', ''),
'source': article.get('source', '')
})
return news_results
def extract_image_results(self, results):
"""Extract image results with metadata"""
image_results = []
if 'images_results' in results:
for img in results['images_results']:
image_results.append({
'title': img.get('title', ''),
'original': img.get('original', ''),
'thumbnail': img.get('thumbnail', ''),
'source': img.get('source', '')
})
return image_results
def analyze_with_gemini(self, search_results, analysis_prompt):
"""Use Gemini Flash to analyze search results"""
results_text = json.dumps(search_results, indent=2)
full_prompt = f"""
{analysis_prompt}
Search Results Data:
{results_text}
Please provide a comprehensive analysis based on the search results.
"""
try:
response = self.gemini_model.generate_content(full_prompt)
return response.text
except Exception as e:
return f"Gemini analysis failed: {str(e)}"
def search_marktechpost_tutorials(self, topic="", num_results=10):
"""Search specifically for trending tutorials from Marktechpost"""
queries = [
f"site:marktechpost.com {topic} tutorial guide how-to 2024 2025",
f"site:marktechpost.com trending {topic} tutorial",
f"site:marktechpost.com top {topic} books frameworks"
]
all_results = []
for query in queries:
params = {
"engine": "google",
"q": query,
"api_key": self.serpapi_key,
"num": num_results // len(queries),
"hl": "en",
"gl": "us"
}
search = GoogleSearch(params)
results = search.get_dict()
extracted = self.extract_search_results(results)
all_results.extend(extracted)
unique_results = []
seen_links = set()
for result in all_results:
if result['link'] not in seen_links:
unique_results.append(result)
seen_links.add(result['link'])
return unique_results[:num_results]
def get_trending_marktechpost_content(self, categories=None):
"""Get trending content from Marktechpost across different categories"""
if categories is None:
categories = ["AI", "LLM", "Machine Learning", "Python", "Tutorial", "Framework"]
trending_content = {}
for category in categories:
print(f"🔍 Searching for trending {category} content...")
results = self.search_marktechpost_tutorials(category, num_results=5)
trending_contentAgentic AI = results
print(f"✅ Found {len(results)} {category} tutorials")
return trending_content
def smart_research(self, topic, research_depth="medium", focus_marktechpost=True):
"""Intelligent research combining multiple search types with Marktechpost focus"""
print(f"🔍 Starting smart research on: {topic}")
if focus_marktechpost:
marktechpost_results = self.search_marktechpost_tutorials(topic, num_results=8)
print(f"✅ Found {len(marktechpost_results)} Marktechpost tutorials")
web_results = self.search_google(f"{topic} tutorial guide", num_results=3)
print(f"✅ Found {len(web_results)} additional web results")
all_web_results = marktechpost_results + web_results
else:
all_web_results = self.search_google(f"{topic} overview facts", num_results=5)
print(f"✅ Found {len(all_web_results)} web results")
news_results = self.search_news(topic)
print(f"✅ Found {len(news_results)} news articles")
analysis_prompt = f"""
Analyze the search results about '{topic}' with focus on Marktechpost content and provide:
1. Key tutorials and guides available
2. Trending topics and frameworks
3. Learning resources and books mentioned
4. Recent developments and updates
5. Practical implementation guides
6. Recommended learning path
Focus on actionable insights and learning resources.
"""
all_results = {
"marktechpost_results": marktechpost_results if focus_marktechpost else [],
"web_results": all_web_results,
"news_results": news_results,
"search_topic": topic,
"timestamp": datetime.now().isoformat()
}
gemini_analysis = self.analyze_with_gemini(all_results, analysis_prompt)
return {
"topic": topic,
"marktechpost_tutorials": marktechpost_results if focus_marktechpost else [],
"web_results": all_web_results,
"news_results": news_results,
"ai_analysis": gemini_analysis,
"total_sources": len(all_web_results) + len(news_results)
}
Esta clase, AdvancedSerpapi, encapsula los métodos de búsqueda basados en Serpapi (web, noticias e imágenes) y funciones auxiliares para limpiar los datos JSON resultantes. También integra un modelo Gemini-1.5-Flash, a través de Analyze_With_Gemini, para generar un resumen basado en AI de cualquier datos de búsqueda recopilados. Los servicios públicos adicionales incluyen búsqueda de tutoriales especializados de MarktechPost, una rutina de “Get Tending” en todas las categorías y un flujo de trabajo combinado de “investigación inteligente” que une tutoriales, resultados web, noticias y análisis de Gemini.
def demo_marktechpost_tutorials():
"""Demo specifically focused on Marktechpost tutorials"""
searcher = AdvancedSerpAPI(SERPAPI_API_KEY, GEMINI_API_KEY)
print("🚀 Marktechpost Trending Tutorials Finder")
print("=" * 50)
print("\n📚 Demo 1: Trending Marktechpost Tutorials by Category")
trending_content = searcher.get_trending_marktechpost_content([
"LangChain", "ChatGPT", "Python", "AI", "MLOps"
])
for category, tutorials in trending_content.items():
print(f"\n🔥 Trending {category} Tutorials:")
for i, tutorial in enumerate(tutorials[:3], 1):
print(f" {i}. {tutorial['title']}")
print(f" 📎 {tutorial['link']}")
if tutorial['snippet']:
print(f" 📝 {tutorial['snippet'][:100]}...")
print("\n🎯 Demo 2: Deep Dive - LangChain Tutorials")
langchain_research = searcher.smart_research("LangChain", focus_marktechpost=True)
print(f"\n📊 Research Summary:")
print(f"Topic: {langchain_research['topic']}")
print(f"Marktechpost Tutorials Found: {len(langchain_research['marktechpost_tutorials'])}")
print(f"Total Sources: {langchain_research['total_sources']}")
print(f"\n🤖 AI Analysis Preview:")
print(langchain_research['ai_analysis'][:600] + "..." if len(langchain_research['ai_analysis']) > 600 else langchain_research['ai_analysis'])
print("\n📰 Demo 3: Latest AI Trends from Marktechpost")
ai_trends = searcher.search_marktechpost_tutorials("AI trends 2024 2025", num_results=5)
print("Recent AI trend articles:")
for i, article in enumerate(ai_trends, 1):
print(f"{i}. {article['title']}")
print(f" 🔗 {article['link']}")
def demo_advanced_serpapi():
"""Comprehensive demo of SerpAPI capabilities"""
searcher = AdvancedSerpAPI(SERPAPI_API_KEY, GEMINI_API_KEY)
print("🚀 Advanced SerpAPI Tutorial with Gemini Flash")
print("=" * 50)
print("\n📊 Demo 1: Smart Research on AI Technology")
research_results = searcher.smart_research("artificial intelligence 2024 trends")
print(f"\n🔍 Research Summary:")
print(f"Topic: {research_results['topic']}")
print(f"Total Sources: {research_results['total_sources']}")
print(f"\n🤖 AI Analysis Preview:")
print(research_results['ai_analysis'][:500] + "..." if len(research_results['ai_analysis']) > 500 else research_results['ai_analysis'])
print("\n📰 Demo 2: Recent News Search")
tech_news = searcher.search_news("technology breakthrough", days_back=7)
print(f"Found {len(tech_news)} recent tech news articles:")
for i, article in enumerate(tech_news[:3], 1):
print(f"{i}. {article['title'][:80]}...")
print(f" Source: {article['source']} | Date: {article['date']}")
print("\n🖼️ Demo 3: Image Search")
space_images = searcher.search_images("space exploration 2024", num_images=5)
print(f"Found {len(space_images)} space-related images:")
for i, img in enumerate(space_images[:3], 1):
print(f"{i}. {img['title'][:60]}...")
print(f" Source: {img['source']}")
Demo_marktechPost_tutorials () inicializa la clase AdvancedSerpapi e imprime tutoriales de tendencia de MarkTechPost para una lista de categorías (Langchain, ChatGpt, Python, AI, MLOPS). Luego realiza una investigación inteligente de “inmersión profunda” sobre “Langchain”, que muestra los recuentos de tutoriales y una vista previa del análisis de IA de Gemini. Finalmente, recupera y enumera los cinco principales artículos recientes de “AI Tends 2024–2025” de MarkTechPost.
Además, demo_advanced_serpapi () crea una instancia avanzada deSerpapi, pero se centra en un flujo de trabajo más amplio: ejecuta una investigación inteligente sobre la “inteligencia artificial 2024 tendencias” e imprime el resumen del tema y el fragmento de análisis de IA. Luego realiza una búsqueda de noticias de “Breakthrough Technology”, enumera los primeros tres artículos con fuentes y fechas, y concluye obteniendo y mostrando un puñado de resultados de imagen “Space Exploration 2024”.
if __name__ == "__main__":
if SERPAPI_API_KEY == "your_serpapi_key_here" or GEMINI_API_KEY == "your_gemini_key_here":
print("⚠️ Please set your API keys before running the demo!")
print("1. Get SerpAPI key from: https://serpapi.com")
print("2. Get Gemini API key from: https://makersuite.google.com")
else:
print("🎯 Running Marktechpost-focused demo...")
demo_marktechpost_tutorials()
print("\n" + "="*50)
print("🌟 Running general demo...")
demo_advanced_serpapi()
def compare_search_engines(query, engines=['google', 'bing', 'duckduckgo']):
"""Compare results across different search engines"""
results = {}
for engine in engines:
params = {
"engine": engine,
"q": query,
"api_key": SERPAPI_API_KEY
}
try:
search = GoogleSearch(params)
results[engine] = search.get_dict()
except Exception as e:
results[engine] = {"error": str(e)}
return results
def trending_searches(location="United States"):
"""Get trending searches"""
params = {
"engine": "google_trends_trending_now",
"api_key": SERPAPI_API_KEY,
"geo": location
}
search = GoogleSearch(params)
return search.get_dict()
print("✅ Advanced SerpAPI Tutorial with Marktechpost Focus loaded successfully!")
print("🔑 Remember to set your API keys before running demos")
print("📚 New Functions: search_marktechpost_tutorials, get_trending_marktechpost_content")
print("🎯 Marktechpost-specific features: LangChain, ChatGPT, Python, AI, MLOps tutorials")
print("\n🚀 Quick Start Examples:")
print("searcher = AdvancedSerpAPI(SERPAPI_API_KEY, GEMINI_API_KEY)")
print("langchain_tutorials = searcher.search_marktechpost_tutorials('LangChain')")
print("trending_ai = searcher.get_trending_marktechpost_content(['AI', 'Python'])")
print("research = searcher.smart_research('ChatGPT', focus_marktechpost=True)")Finalmente, la sección incluye un guardia “principal” de Python que primero verifica sus teclas Serpapi y Géminis, lo que lo lleva a obtenerlos si todavía son marcadores de posición y, de lo contrario, ejecuta las demostraciones generales y de MarktechPost en secuencia. También define dos funciones de utilidad: Compare_Search_Engines, que consulta múltiples motores de búsqueda (Google, Bing, Duckduckgo) a través de Serpapi y devuelve sus resultados o errores RAW JSON, y Tending_Searches, que obtiene los temas de tendencias de hoy en día utilizando el punto final de Google Trends. Después de estas definiciones, el script imprime un breve mensaje de estado que confirma que el tutorial cargado con éxito, le recuerda que establezca sus claves API y resalte los métodos recientemente agregados para obtener tutoriales MarkTechPost y contenido de tendencia.
En conclusión, siguiendo este tutorial, los usuarios tendrán una clase de Python modular reutilizable que agiliza la investigación y el análisis web, desde realizar búsquedas basadas en palabras clave hasta resumir automáticamente los hallazgos utilizando IA con gemi. La combinación de los puntos finales de búsqueda confiables de Serpapi y la comprensión del lenguaje natural de Gemini permite un flujo de trabajo de “investigación a insights” sin problemas, ideal para creadores de contenido, desarrolladores y equipos técnicos que necesitan mantenerse al día con los últimos tutoriales y tendencias de la industria.
Mira el Cuaderno aquí. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 95k+ ml de subreddit y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.