2

Pro caso dos 32 milhões de lares dá pra aproveitar uma coisa que a primeira chamada já devolve. Cada citação da busca (web_search_result_location) vem com um cited_text, que é o trecho da página que sustentou a frase, com até 150 caracteres. Se a segunda chamada receber as frases junto com esses trechos, e não só a lista de URLs, o servidor consegue conferir sem modelo se cada número da frase aparece no trecho citado. O que não aparecer vira estimativa, do mesmo jeito que você já faz com URL inválida.

Como o trecho é curto, às vezes o número vai ficar de fora e marcar estimativa à toa, mas pra essa regra acho melhor errar pra esse lado.

E o Reclame Aqui aparecendo como site de concorrente dá pra cortar na origem com o blocked_domains da ferramenta de busca, se ele não for fonte de mais nada na pesquisa.

Carregando publicação patrocinada...
1

Valeu, as duas são boas e fui olhar o código.

O cited_text resolve exatamente o caso dos 32 milhões de lares. Hoje a primeira chamada já percorre as citações, mas só guarda a URL e joga o trecho fora. Guardando o trecho, dá para conferir no servidor se o número da frase aparece nele, sem modelo. Concordo com errar para o lado da estimativa: um número bom marcado como estimativa custa menos do que um número inventado com cara de fato.

O blocked_domains eu não posso usar inteiro, porque o Reclame Aqui é de onde saem as reclamações que justificam a ideia. Vou fazer a regra na validação: URL do Reclame Aqui vale como fonte de reclamação, mas não como site de concorrente.

Quando subir as duas, rodo as três varreduras de novo e conto aqui quantos números caíram para estimativa.

1

faz sentido, bloquear o domínio inteiro ia tirar justamente a fonte das reclamações.

uma coisa pra quando subir a conferência: o número quase nunca vem escrito igual na frase e no trecho. "32 milhões", "32 mi" e "32.000.000" são o mesmo valor, então vale normalizar os dois lados antes de comparar, senão muito número certo cai pra estimativa à toa.