🏠 Sahibinden.com Gelişmiş Emlak Scraper & Analytics Platform

Türkiye'nin en kapsamlı emlak veri toplama, analiz ve takip sistemi

Sahibinden.com'dan emlak ilanlarını otomatik olarak toplayan, veritabanında saklayan, detaylı analizler yapan, Google Maps entegrasyonu ile konum bazlı sorgular yapan ve MCP (Model Context Protocol) üzerinden Claude AI'ya entegre edilebilen profesyonel bir emlak platformu.

📋 İçindekiler

• Özellikler
• Kurulum
• Hızlı Başlangıç
• CLI Kullanımı
• Google Maps Entegrasyonu
• MCP Server
• Web Dashboard
• Veri Modeli

🌟 Özellikler

🔍 Gelişmiş Web Scraping

• Detaylı Veri Toplama: Sadece temel bilgiler değil, tüm emlak özelliklerini toplar
• Çoklu Sayfa Desteği: Binlerce ilanı otomatik toplar
• Rate Limiting: Saygılı scraping, siteyi yormaz
• Hata Toleransı: Robust hata yönetimi

🗄️ Veritabanı Yönetimi

• SQLite Veritabanı: Lokal, hızlı, kolay yönetim
• Fiyat Geçmişi: Tüm fiyat değişiklikleri kaydedilir
• Favoriler Sistemi: İlgilendiğiniz ilanları işaretleyin
• Arama Geçmişi: Yaptığınız aramaları takip edin

📊 Güçlü Analitik

• Fiyat İstatistikleri: Min, max, ortalama, medyan, standart sapma
• m² Başına Fiyat Analizi: En objektif karşılaştırma
• İlçe Karşılaştırmaları: Hangi ilçe daha uygun?
• Trend Analizi: Fiyatlar artıyor mu, azalıyor mu?
• Piyasa Genel Görünümü: Şehir bazında detaylı durum
• En İyi Fırsatlar: m² bazında en ucuz ilanlar

🔔 Otomatik Takip

• Fiyat Düşüşü Bildirimi: Fiyatı düşen ilanları yakalar
• Favori Takibi: Favori ilanlarınızın fiyat değişimlerini izler
• Yeni İlan Bildirimi: Kriter match eden ilanları bulur

🤖 Claude AI Entegrasyonu (MCP Server)

• Model Context Protocol: Claude'un emlak verilerine doğrudan erişimi
• 10+ MCP Tool: Arama, analiz, karşılaştırma, trend analizi
• JSON API: RESTful benzeri veri erişimi
• Real-time Data: Güncel verilerle çalışır

💻 Kolay Kullanım

• CLI Arayüzü: Güçlü komut satırı araçları
• Programatik API: Python kodunuzda kullanın
• JSON Export: Verileri dışa aktarın
• Detaylı Raporlar: Otomatik rapor oluşturma

📦 Kurulum

Gereksinimler

• Python 3.8 veya üzeri
• pip (Python paket yöneticisi)
• 100MB+ disk alanı

Kurulum Adımları

1. Repository'yi klonlayın:

git clone <repository-url>
cd E-Mail-Generator

2. Bağımlılıkları yükleyin:

pip install -r requirements.txt

3. Veritabanını başlatın:

python -c "from emlak_scraper import RealEstateDatabase; RealEstateDatabase()"

4. Test edin:

python emlak_cli.py --help

5. (Önerilen) .env dosyası ile güvenli yapılandırma:

# Örnek dosyayı kopyalayın
cp .env.example .env

# .env içine kendi değerlerinizi yazın
# GOOGLE_MAPS_API_KEY=...
# NOTIFICATION_EMAIL=...
# EMAIL_USERNAME=...
# EMAIL_PASSWORD=...

Not: Uygulama başlangıcında .env dosyası otomatik yüklenir. Google Maps özellikleri (geocoding, harita görselleştirme) için GOOGLE_MAPS_API_KEY gerekir. Detaylar için Google Maps Entegrasyonu bölümüne bakın.

🚀 Kullanım

CLI (Komut Satırı) Kullanımı

1. Emlak Araması

Temel arama:

python emlak_cli.py search \
  --city istanbul \
  --category satilik-daire \
  --pages 3

Detaylı filtreleme:

python emlak_cli.py search \
  --city istanbul \
  --category satilik-daire \
  --district kadikoy \
  --rooms "3+1" \
  --min-price 3000000 \
  --max-price 6000000 \
  --min-m2 100 \
  --max-m2 140 \
  --pages 5 \
  --detailed \
  --output results.json

2. Fiyat Analizi

Hızlı istatistik:

python emlak_cli.py analyze \
  --city ankara \
  --category satilik-daire \
  --district cankaya

Detaylı rapor:

python emlak_cli.py analyze \
  --city izmir \
  --category kiralik-daire \
  --report \
  --output izmir_rapor.txt

3. İlçe Karşılaştırması

python emlak_cli.py compare \
  --city istanbul \
  --category satilik-daire \
  --districts "kadikoy,besiktas,sisli,bakirkoy,uskudar" \
  --output karsilastirma.json

4. En İyi Fırsatlar

python emlak_cli.py best-deals \
  --city istanbul \
  --category satilik-daire \
  --district kadikoy \
  --limit 20

5. Fiyat Düşüşlerini Tespit Et

python emlak_cli.py price-drops \
  --days 14 \
  --min-drop 10

6. Piyasa Genel Görünümü

python emlak_cli.py market-overview \
  --city istanbul \
  --output istanbul_piyasa.json

7. İlanları Güncelle

python emlak_cli.py update --days 7

8. Favoriler

# Favori ekle
python emlak_cli.py favorites --add 123456 --notes "Çok beğendim"

# Favorileri listele
python emlak_cli.py favorites

Python API Kullanımı

from emlak_scraper import (
    AdvancedRealEstateScraper,
    RealEstateAnalytics,
    SearchCriteria
)

# Scraper oluştur
scraper = AdvancedRealEstateScraper()

# Arama kriterleri
criteria = SearchCriteria(
    city="istanbul",
    category="satilik-daire",
    district="kadikoy",
    min_price=3000000,
    max_price=6000000,
    rooms="3+1"
)

# Ara ve kaydet
properties = scraper.search_and_save(
    criteria,
    max_pages=3,
    fetch_details=True
)

print(f"{len(properties)} ilan bulundu ve kaydedildi")

# Analiz yap
analytics = RealEstateAnalytics()
stats = analytics.get_price_statistics(criteria)
print(f"Ortalama fiyat: {stats['avg']:,.0f} TL")

# Rapor oluştur
report = analytics.generate_report(criteria)
print(report)

# Kaynakları temizle
scraper.close()
analytics.close()

MCP Server Kullanımı

MCP Server'ı Başlatma

python -m emlak_scraper.mcp.server

Claude Web (Remote MCP Connector) için doğru adres

Claude Web tarafında URL isteyen bağlantı tipi için stdio değil, remote HTTP gerekir. Bu proje remote endpoint'i şu adresten sunar:

https://sahibinden-mcp.fly.dev/mcp

Kimlik doğrulama:

• Connector auth ekranında Bearer Token seçin
• Token olarak .env içindeki MCP_AUTH_TOKEN değerini girin

Özet:

• Claude Desktop (local): scripts/run_mcp_server.sh ile command tabanlı stdio
• Claude Web (remote): https://sahibinden-mcp.fly.dev/mcp + Bearer token

Claude Desktop ile Entegrasyon

mcp_config.json dosyasını Claude Desktop yapılandırmanıza ekleyin:

{
  "mcpServers": {
    "real-estate": {
      "command": "/mnt/thunderbolt/Sahibinden.com-MCP-Server/scripts/run_mcp_server.sh",
      "args": [],
      "cwd": "/mnt/thunderbolt/Sahibinden.com-MCP-Server",
      "env": {}
    }
  }
}

Önemli: Bu proje MCP için stdio transport kullanır, HTTP URL/adres girilmez. Claude tarafında girmeniz gereken şey bir command'dır, örn. scripts/run_mcp_server.sh.

Alternatif (wrapper script kullanmadan):

{
  "mcpServers": {
    "real-estate": {
      "command": "python3",
      "args": ["-m", "emlak_scraper.mcp.server"],
      "cwd": "/mnt/thunderbolt/Sahibinden.com-MCP-Server",
      "env": {}
    }
  }
}

MCP Tools

MCP Server şu araçları sağlar:

1. search_properties: Emlak ara
2. get_property_details: Detaylı ilan bilgisi
3. get_price_statistics: Fiyat istatistikleri
4. compare_districts: İlçe karşılaştırması
5. get_market_overview: Piyasa genel görünümü
6. find_best_deals: En iyi fırsatlar
7. detect_price_drops: Fiyat düşüşleri
8. get_price_trends: Fiyat trend analizi
9. get_favorites: Favori ilanlar
10. add_to_favorites: Favorilere ekle

Claude ile Kullanım Örnekleri

Sen: İstanbul Kadıköy'de 3 milyon ile 5 milyon TL arası satılık 3+1 daire ara

Claude: [search_properties tool kullanarak araştırır ve sonuçları gösterir]

Sen: Bu ilanların m² başına fiyat istatistiklerini ver

Claude: [get_price_statistics tool kullanarak analiz yapar]

Sen: Kadıköy, Beşiktaş ve Şişli'yi karşılaştır

Claude: [compare_districts tool kullanarak karşılaştırma yapar]

📊 Veri Modeli

PropertyDetails (Emlak Detayları)

@dataclass
class PropertyDetails:
    # Temel Bilgiler
    listing_id: str
    title: str
    url: str
    price: float
    currency: str

    # Konum
    city: str
    district: str
    neighborhood: str
    latitude: float
    longitude: float

    # Emlak Özellikleri
    rooms: str  # "3+1"
    gross_m2: float
    net_m2: float
    floor: str
    total_floors: int
    building_age: str
    heating_type: str

    # Ek Özellikler
    bathroom_count: int
    balcony: bool
    furnished: bool
    site_interior: bool
    elevator: bool
    parking: bool
    garden: bool
    terrace: bool
    swimming_pool: bool

    # Cephe ve Görünüm
    front_view: str
    scenic_view: bool
    sea_view: bool

    # İlan Bilgileri
    description: str
    listing_date: datetime
    view_count: int

    # İletişim
    advertiser_name: str
    advertiser_type: str
    phone: str

    # Görseller
    images: List[str]
    thumbnail: str

Veritabanı Tabloları

1. properties: Tüm emlak ilanları
2. price_history: Fiyat değişim geçmişi
3. search_history: Arama geçmişi
4. favorites: Favori ilanlar
5. alerts: Otomatik bildirimler

📁 Proje Yapısı

E-Mail-Generator/
├── emlak_scraper/               # Ana paket
│   ├── __init__.py
│   ├── models.py                # Veri modelleri ve veritabanı
│   ├── advanced_scraper.py      # Gelişmiş scraper
│   ├── analytics.py             # Analitik modülü
│   └── mcp/                     # MCP Server
│       ├── __init__.py
│       └── server.py            # MCP server implementasyonu
├── database/                    # SQLite veritabanı
│   └── real_estate.db
├── data/                        # Veri dosyaları
│   └── images/                  # İlan görselleri
├── emlak_cli.py                 # CLI arayüzü
├── requirements.txt             # Python bağımlılıkları
├── mcp_config.json              # MCP yapılandırması
├── README.md                    # Bu dosya
└── SAHIBINDEN_KULLANIM.md       # Detaylı Türkçe kılavuz

# Eski dosyalar (geriye dönük uyumluluk)
├── sahibinden_search.py         # Basit scraper
├── sahibinden_interactive.py    # İnteraktif CLI
└── sahibinden_selenium.py       # Selenium scraper

🔧 Gelişmiş Özellikler

Otomatik Fiyat Takibi

from emlak_scraper import AdvancedRealEstateScraper

scraper = AdvancedRealEstateScraper()

# Mevcut ilanları güncelle ve fiyat değişikliklerini yakala
scraper.update_existing_listings(check_last_n_days=7)

# Fiyatı düşen ilanları bul
from emlak_scraper import RealEstateAnalytics

analytics = RealEstateAnalytics()
drops = analytics.detect_price_drops(days=7, min_drop_pct=5.0)

for drop in drops:
    print(f"{drop['title']}: {drop['drop_pct']:.1f}% düşüş!")

Özel Analizler

from emlak_scraper import RealEstateAnalytics, SearchCriteria

analytics = RealEstateAnalytics()

# Mahalle bazında m² fiyat analizi
criteria = SearchCriteria(city="istanbul", category="satilik-daire")
ppm2_stats = analytics.get_price_per_m2_analysis(criteria)

# Piyasa trendi
overview = analytics.get_market_overview("istanbul")

# En uygun fırsatlar
best_deals = analytics.find_best_deals(criteria, top_n=20)

Veritabanı Sorguları

from emlak_scraper import RealEstateDatabase

db = RealEstateDatabase()

# Özel sorgu
cursor = db.conn.cursor()
cursor.execute('''
    SELECT district, AVG(price / net_m2) as avg_ppm2
    FROM properties
    WHERE city = 'istanbul' AND net_m2 > 0
    GROUP BY district
    ORDER BY avg_ppm2 ASC
    LIMIT 10
''')

for row in cursor.fetchall():
    print(f"{row['district']}: {row['avg_ppm2']:,.0f} TL/m²")

📈 Kullanım Senaryoları

Senaryo 1: Ev Alıcısı

# 1. İstanbul'da uygun fiyatlı 3+1 daireler
python emlak_cli.py search \
  --city istanbul \
  --category satilik-daire \
  --rooms "3+1" \
  --max-price 5000000 \
  --pages 10 \
  --detailed

# 2. İlçeleri karşılaştır
python emlak_cli.py compare \
  --city istanbul \
  --category satilik-daire \
  --districts "kadikoy,maltepe,kartal,pendik"

# 3. En uygun fırsatları bul
python emlak_cli.py best-deals \
  --city istanbul \
  --category satilik-daire \
  --limit 50

# 4. Günlük fiyat takibi
python emlak_cli.py price-drops --days 1 --min-drop 2

Senaryo 2: Emlakçı/Yatırımcı

# 1. Piyasa analizi
python emlak_cli.py market-overview --city istanbul

# 2. Bölgesel fiyat analizi
python emlak_cli.py analyze \
  --city istanbul \
  --category satilik-daire \
  --district kadikoy \
  --report

# 3. Trend takibi (günlük cron job)
python emlak_cli.py update --days 1
python emlak_cli.py price-drops --days 1

Senaryo 3: Veri Analisti

from emlak_scraper import RealEstateDatabase, RealEstateAnalytics
import pandas as pd

db = RealEstateDatabase()

# Veritabanından tüm verileri çek
cursor = db.conn.cursor()
cursor.execute("SELECT * FROM properties WHERE is_active = 1")
rows = cursor.fetchall()

# Pandas DataFrame'e çevir
df = pd.DataFrame([dict(row) for row in rows])

# Analiz yap
print(df.groupby('district')['price'].describe())
print(df.groupby('rooms')['price'].mean())

# Görselleştir
import matplotlib.pyplot as plt

df.boxplot(column='price', by='district', figsize=(15, 8))
plt.show()

⚙️ Yapılandırma

Veritabanı Konumu

# Özel veritabanı konumu
from emlak_scraper import RealEstateDatabase

db = RealEstateDatabase("/path/to/custom/database.db")

Scraper Ayarları

from emlak_scraper import AdvancedRealEstateScraper

scraper = AdvancedRealEstateScraper()

# Custom headers
scraper.headers['User-Agent'] = "Mozilla/5.0 ..."

# Timeout ayarı
scraper.session.timeout = 30

🔒 Yasal Uyarı

Bu araç kişisel kullanım ve eğitim amaçlıdır. Kullanırken:

• ✅ Sahibinden.com'un kullanım şartlarına uyun
• ✅ Rate limiting uygulayın (istekler arası bekleyin)
• ✅ Sadece kişisel araştırma için kullanın
• ❌ Siteyi aşırı yüklemeyin
• ❌ Verileri ticari amaçla kullanmayın
• ❌ Toplanan verileri izinsiz paylaşmayın

🐛 Sorun Giderme

403 Forbidden Hatası

# VPN kullanın veya IP değiştirin
# Selenium versiyonunu deneyin
python sahibinden_selenium.py

Veritabanı Hatası

# Veritabanını sıfırlayın
rm database/real_estate.db
python -c "from emlak_scraper import RealEstateDatabase; RealEstateDatabase()"

MCP Server Çalışmıyor

# Bağımlılıkları kontrol edin
pip install -r requirements.txt

# Manuel test
python -m emlak_scraper.mcp.server

📚 Ek Dokümantasyon

• SAHIBINDEN_KULLANIM.md: Detaylı Türkçe kullanım kılavuzu
• MCP Integration Guide: MCP entegrasyon rehberi (yakında)
• API Reference: API dokümantasyonu (yakında)

🤝 Katkıda Bulunma

1. Fork yapın
2. Feature branch oluşturun (git checkout -b feature/YeniOzellik)
3. Commit yapın (git commit -m 'Yeni özellik: ...')
4. Push edin (git push origin feature/YeniOzellik)
5. Pull Request oluşturun

📄 Lisans

MIT License

👨‍💻 Geliştirici

Claude AI ile geliştirilmiştir.

---

Not: Bu araç Sahibinden.com ile resmi bir ilişkisi yoktur. Eğitim ve kişisel kullanım amaçlıdır.

🚀 Hızlı Başlangıç

# Kurulum
pip install -r requirements.txt

# İlk arama
python emlak_cli.py search --city istanbul --category satilik-daire --pages 1 --detailed

# Analiz
python emlak_cli.py analyze --city istanbul --category satilik-daire --report

# Excel'e export
python emlak_cli.py export --city istanbul --category satilik-daire --format excel

# Grafikler oluştur
python emlak_cli.py visualize --type dashboard --city istanbul --category satilik-daire

# Görselleri indir
python emlak_cli.py download-images --limit 20 --max-images 5

# Web dashboard başlat
python emlak_cli.py web --port 5000

# Google Maps - Koordinat ekleme
python emlak_cli.py geocode --limit 50

# Google Maps - Harita oluştur
python emlak_cli.py map --city istanbul --category satilik-daire

# Google Maps - Yakındaki ilanlar
python emlak_cli.py nearby --address "Taksim, İstanbul" --radius 2

# MCP Server başlat
python -m emlak_scraper.mcp.server

📝 Changelog

v2.2.0 (2025-02-21) - Google Maps Entegrasyonu 🗺️

Yeni Özellikler:

• ✅ Google Maps API entegrasyonu
• ✅ Geocoding: Otomatik koordinat dönüştürme
• ✅ Yakındaki İlanlar: Konum bazlı arama ve mesafe hesaplama
• ✅ İnteraktif Haritalar: Folium ile HTML harita görselleştirme
• ✅ Seyahat Süresi: Google Distance Matrix API
• ✅ MCP Tools: 3 yeni konum bazlı tool (geocode_property, find_nearby_properties, create_property_map)
• ✅ CLI Komutları: geocode, map, nearby komutları
• ✅ Web Dashboard: /map sayfası ve 4 yeni API endpoint

İyileştirmeler:

• ✅ Lint hataları düzeltildi (flake8 clean)
• ✅ PEP 8 uyumluluğu sağlandı
• ✅ Import organizasyonu iyileştirildi
• ✅ Exception handling standardizasyonu
• ✅ Kod kalitesi artırıldı

Dosyalar:

• emlak_scraper/maps_integration.py (421 satır)
• web_dashboard/templates/map.html
• 3 yeni CLI komutu
• Google Maps dokümantasyonu

v2.1.0 (2025-02-20) - Complete Feature Implementation

Yeni Özellikler:

• ✅ Görsel İndirme: image_downloader.py
• ✅ Excel/CSV Export: exporters.py
• ✅ Görselleştirme: visualizations.py (matplotlib)
• ✅ Email Bildirimleri: notifications.py
• ✅ Scheduled Jobs: Cron scriptleri
• ✅ Web Dashboard: Flask app
• ✅ Gelişmiş CLI: 13 komut

Modüller:

• emlak_scraper/advanced_scraper.py
• emlak_scraper/analytics.py
• emlak_scraper/models.py
• emlak_scraper/mcp/server.py

---

🗺️ Google Maps Entegrasyonu

Google Maps entegrasyonu, emlak ilanlarına konum tabanlı özellikler ekler ve harita görselleştirmesi sağlar.

Kurulum

1. Google Maps API Anahtarı Alın

   • Google Cloud Console üzerinden bir proje oluşturun
   • APIs & Services > Credentials bölümünden yeni bir API key oluşturun
   • Aşağıdaki API'leri etkinleştirin:
     • Geocoding API
     • Maps JavaScript API
     • Distance Matrix API (opsiyonel)
     • Places API (opsiyonel)

2. Gerekli Kütüphaneleri Yükleyin

   pip install googlemaps folium geopy
   

3. API Anahtarını Ayarlayın

   Önerilen yöntem (.env):

   cp .env.example .env
   

   .env içine:

   GOOGLE_MAPS_API_KEY=AIzaSy...
   

   Alternatif (tek oturumluk shell env):

   # Linux/Mac
   export GOOGLE_MAPS_API_KEY='AIzaSy...'
   
   # Windows PowerShell
   $env:GOOGLE_MAPS_API_KEY='AIzaSy...'
   
   # Windows CMD
   set GOOGLE_MAPS_API_KEY=AIzaSy...
   

   Not: .env dosyası repoya eklenmez; .gitignore tarafından hariç tutulur.

CLI Kullanımı

1. İlanları Geocode Etme

Mevcut ilanların adreslerini koordinatlara dönüştür:

# İlk 100 ilanı geocode et
python emlak_cli.py geocode --limit 100

# Mevcut koordinatları da üzerine yaz
python emlak_cli.py geocode --limit 100 --overwrite

2. Harita Oluşturma

İlanları interaktif harita üzerinde görselleştir:

# İstanbul'daki satılık daireler için harita
python emlak_cli.py map --city istanbul --category satilik-daire

# Kadıköy'deki 3+1 daireler için harita
python emlak_cli.py map --city istanbul --category satilik-daire --district kadikoy --rooms "3+1"

# Özel çıktı dosyası
python emlak_cli.py map --city ankara --category kiralik-daire --output ankara_kiralık.html

Harita dosyası oluşturulduktan sonra tarayıcınızda açabilirsiniz:

open ankara_kiralık.html  # Mac
start ankara_kiralık.html  # Windows
xdg-open ankara_kiralık.html  # Linux

3. Yakındaki İlanları Bulma

Belirli bir konuma yakın ilanları bul:

# Adres kullanarak
python emlak_cli.py nearby --address "Taksim, İstanbul" --radius 2

# Koordinat kullanarak
python emlak_cli.py nearby --lat 41.0082 --lng 28.9784 --radius 3

# Filtreleme ile
python emlak_cli.py nearby --address "Kızılay, Ankara" --radius 5 --city ankara --category kiralik-daire

Web Dashboard Kullanımı

Web dashboard'da harita görünümü:

# Web server'ı başlat
python emlak_cli.py web

# Tarayıcıda http://localhost:5000/map adresine gidin

Dashboard üzerinden:

• Şehir, kategori, ilçe seçimi yapabilirsiniz
• İlan sayısını belirleyebilirsiniz
• Haritayı interaktif olarak oluşturabilirsiniz
• Harita üzerinde ilanları inceleyebilirsiniz

Python API Kullanımı

from emlak_scraper.maps_integration import GoogleMapsIntegration
from emlak_scraper import RealEstateDatabase, SearchCriteria

# Google Maps entegrasyonu
maps = GoogleMapsIntegration()  # API key otomatik olarak env'den alınır

# 1. Adres geocoding
coords = maps.geocode_address("Kadıköy, İstanbul")
print(coords)  # (40.9833, 29.0333)

# 2. Reverse geocoding
address = maps.reverse_geocode(40.9833, 29.0333)
print(address)  # "Kadıköy, İstanbul, Türkiye"

# 3. İlan koordinat zenginleştirme
db = RealEstateDatabase()
prop = db.get_property("12345")
enriched_prop = maps.enrich_property_location(prop)
db.save_property(enriched_prop)

# 4. Yakındaki ilanları bulma
nearby = maps.find_nearby_properties(
    center_lat=41.0082,
    center_lng=28.9784,
    max_distance_km=2.0,
    db=db,
    criteria=SearchCriteria(city="istanbul", category="satilik-daire")
)

for prop in nearby[:10]:
    distance = maps.calculate_distance(
        (41.0082, 28.9784),
        (prop.latitude, prop.longitude)
    )
    print(f"{distance:.2f} km - {prop.title}")

# 5. Harita oluşturma
criteria = SearchCriteria(city="istanbul", category="satilik-daire", district="kadikoy")
properties = db.search_properties(criteria, limit=100)

map_path = maps.create_property_map(
    properties=properties,
    output_file="kadikoy_map.html"
)
print(f"Harita oluşturuldu: {map_path}")

# 6. Toplu geocoding
stats = maps.batch_geocode_database(
    db=db,
    limit=200,
    overwrite=False
)
print(f"Başarılı: {stats['success']}, Başarısız: {stats['failed']}")

# 7. Mesafe hesaplama
distance = maps.calculate_distance(
    (41.0082, 28.9784),  # Taksim
    (40.9833, 29.0333)   # Kadıköy
)
print(f"Mesafe: {distance:.2f} km")

# 8. Seyahat süresi
travel = maps.get_travel_time(
    origin=(41.0082, 28.9784),
    destination=(40.9833, 29.0333),
    mode='driving'
)
print(f"Süre: {travel['duration_text']}, Mesafe: {travel['distance_text']}")

MCP Server ile Kullanım

Google Maps özellikleri MCP Server üzerinden Claude'a açılır:

# Claude'a şu şekilde sorabilirsiniz:

"İstanbul Kadıköy'deki satılık dairelerin haritasını oluştur"
# -> create_property_map tool kullanır

"Taksim'e 2 km mesafedeki kiralık evleri bul"
# -> find_nearby_properties tool kullanır

"Listing ID 12345 olan ilanın koordinatlarını ekle"
# -> geocode_property tool kullanır

MCP Server'daki Google Maps araçları:

• geocode_property: İlana koordinat ekle
• find_nearby_properties: Yakındaki ilanları bul
• create_property_map: Harita oluştur

Harita Özellikleri

Oluşturulan haritalar:

• Interaktif: Zoom, pan, marker'lara tıklama
• Cluster: Çok sayıda ilan için otomatik gruplama
• Renkli Marker'lar: Fiyata göre renk kodlaması
  • 🟢 Yeşil: < 1M TL
  • 🔵 Mavi: 1-3M TL
  • 🟠 Turuncu: 3-5M TL
  • 🔴 Kırmızı: > 5M TL
• Popup Bilgi: Başlık, fiyat, konum, oda, m², link
• Tooltip: Mouse hover ile hızlı bilgi
• OpenStreetMap: Ücretsiz harita altyapısı

Örnek Kullanım Senaryoları

Senaryo 1: Ofise Yakın Ev Bulma

# İşyeri koordinatları
office_lat, office_lng = 41.0082, 28.9784  # Taksim

# 30 dakikalık mesafedeki ilanları bul
maps = GoogleMapsIntegration()
db = RealEstateDatabase()

nearby = maps.find_nearby_properties(
    center_lat=office_lat,
    center_lng=office_lng,
    max_distance_km=5.0,  # ~30 dk araba
    db=db,
    criteria=SearchCriteria(city="istanbul", category="kiralik-daire")
)

# Her ilan için seyahat süresi hesapla
for prop in nearby[:20]:
    travel = maps.get_travel_time(
        origin=(office_lat, office_lng),
        destination=(prop.latitude, prop.longitude),
        mode='driving'
    )
    print(f"{prop.title}")
    print(f"  Süre: {travel['duration_text']}")
    print(f"  Fiyat: {prop.price_text}")

Senaryo 2: Bölgesel Fiyat Analizi

# Belirli bir bölgedeki tüm ilanları haritala
criteria = SearchCriteria(
    city="istanbul",
    category="satilik-daire",
    min_price=2000000,
    max_price=5000000
)

properties = db.search_properties(criteria, limit=500)

# Koordinat eksik olanları geocode et
maps = GoogleMapsIntegration()
for prop in properties:
    if not prop.latitude or not prop.longitude:
        enriched = maps.enrich_property_location(prop)
        db.save_property(enriched)

# Haritayı oluştur
maps.create_property_map(properties, "istanbul_2-5m.html")

Limitler ve Maliyetler

Google Maps API ücretsiz kotası:

• Geocoding API: 40,000 istek/ay ücretsiz
• Distance Matrix: 40,000 element/ay ücretsiz
• Maps JavaScript: Sınırsız harita yüklemeleri

💡 İpucu: Batch geocoding yaparken limit parametresi kullanarak API kotanızı koruyun:

python emlak_cli.py geocode --limit 50  # Günde 50 ilan

Sorun Giderme

API Anahtarı Hatası:

ValueError: Google Maps API anahtarı bulunamadı

Çözüm: .env dosyasına GOOGLE_MAPS_API_KEY ekleyin veya shell ortamına tanımlayın.

Geocoding Başarısız:

❌ Koordinat bulunamadı: xyz mahallesi

Çözüm: Adres bilgisi eksik veya yanlış. Manuel koordinat ekleyebilirsiniz.

Harita Görünmüyor:

• HTML dosyasını modern bir tarayıcıda açın (Chrome, Firefox, Safari)
• JavaScript'in etkin olduğundan emin olun
• Folium kütüphanesinin yüklü olduğunu kontrol edin: pip install folium

📞 Destek

• GitHub Issues: Sorun bildirin
• Dokümantasyon: README.md ve kod içi dokümantasyon
• Örnekler: emlak_cli.py --help
• MCP Server: Claude Desktop ile entegrasyon

🛠️ Teknoloji Stack

Backend

• Python 3.8+: Ana programlama dili
• BeautifulSoup4: Web scraping
• SQLite: Veritabanı
• Flask: Web framework

Veri İşleme

• Pandas (opsiyonel): Veri analizi
• NumPy (opsiyonel): Sayısal işlemler
• Scikit-learn (opsiyonel): Makine öğrenimi

Görselleştirme

• Matplotlib: Grafik oluşturma
• Folium: İnteraktif haritalar

Entegrasyon

• MCP (Model Context Protocol): Claude AI entegrasyonu
• Google Maps API: Geocoding ve konum servisleri
• SMTP: Email bildirimleri

Export & Raporlama

• openpyxl: Excel export
• CSV/JSON: Veri formatları

📊 Proje İstatistikleri

• Toplam Kod: ~6,500+ satır Python
• Modüller: 15 ana modül
• CLI Komutları: 16 komut
• MCP Tools: 13 tool
• API Endpoints: 10+ endpoint
• Veritabanı Tabloları: 5 tablo
• Desteklenen Formatlar: JSON, CSV, Excel, HTML
• Versiyon: 2.2.0 (Production Ready)

📜 Lisans

Bu proje MIT lisansı altında lisanslanmıştır.

🙏 Teşekkürler

• Sahibinden.com - Veri kaynağı
• Google Maps Platform - Konum servisleri
• Anthropic Claude - MCP entegrasyonu
• Açık kaynak topluluğu - Kullanılan tüm kütüphaneler için

---

⭐ Bu projeyi faydalı bulduysanız, yıldız vermeyi unutmayın!

Geliştirici: Mahir Kurt Versiyon: 2.2.0 Son Güncelleme: 2025-02-21