Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan ›
januari 22, 2026

Supabase + Google Sheets för konkurrentanalys

Rickard Andersson Partner, Nodenordic.se

Konkurrentanalys faller isär på samma ställe varje gång. Du börjar med en sitemap, kopierar en massa URL:er, skrapar några sidor och tappar sedan bort vad du redan har bearbetat. Två dagar senare skrapar du samma sidor igen och har fortfarande ingen korrekt formaterad datamängd som du kan söka i.

Den här Supabase Sheets-automationen träffar SEO-specialister först, men en content strategist som bygger ämneskartor och en marknadschef som gör positioneringsanalys känner av det också. Resultatet är enkelt: ett avdubbletterat, kvalitetssäkrat konkurrentbibliotek av innehåll som du kan köra frågor mot, filtrera och återanvända utan att börja om.

Du får se hur det här flödet gör om en sitemap till strukturerade poster i Supabase och sedan loggar de “bästa” sidorna i Google Sheets så att teamet kan granska och agera snabbt.

Så fungerar den här automationen

Här är hela flödet du kommer att sätta upp:

n8n Workflow Template: Supabase + Google Sheets för konkurrentanalys

Varför det här spelar roll: konkurrentanalys som inte blir inaktuell

Manuell analys av konkurrenters sidor låter enkelt tills du gör det i stor skala. Sitemaps kan innehålla hundratals eller tusentals URL:er, och de ändras hela tiden. Så du skrapar “några” sidor, klistrar in länkar i ett kalkylark och hoppas att du kan hitta dem igen när du behöver belägg till en brief eller ett strategidokument. Sedan kommer röran: dubblett-URL:er med spårningsparametrar, tunna sidor som förorenar din datamängd och slumpmässiga kopiera-klistra-fel som tyst skapar fel i analysen. Det handlar inte bara om tid. Det handlar om förtroendet för din egen research.

Friktionen bygger på. Här är var det brukar haverera.

  • Du slutar med att bearbeta samma URL:er igen eftersom det inte finns någon hållbar “redan skrapad”-kö.
  • Skrapkvaliteten varierar mycket, så dina anteckningar innehåller skräpsidor som inte ska påverka beslut.
  • Råtext är inte sökbar på ett användbart sätt, vilket gör att du fortsätter att läsa om sidor för att hitta samma fakta.
  • Team kan inte samarbeta smidigt eftersom “datamängden” är utspridd över webbläsarflikar, exporter och halvunderhållna kalkylark.

Vad du bygger: en research-pipeline från sitemap till Supabase

Det här flödet börjar med en sitemap-URL och bygger en repeterbar pipeline som du kan köra när som helst när du vill ha en uppdaterad konkurrentkorpus. Den hämtar sitemapen, tolkar varje sid-URL, normaliserar URL:erna och kontrollerar sedan i Supabase vad som redan har köats eller bearbetats. Nya URL:er läggs in i en scrape_queue-tabell med tydliga statusar (pending, completed, error). Därifrån skickar automationen URL:er till Crawl4AI för skrapning, väntar och försöker igen vid behov, rensar innehållet och kvalitetssäkrar så att svaga sidor inte dränker din datamängd. Till sist delar den upp texten i chunkar, skapar OpenAI-embeddings och upsertar allt till en Supabase-vektorstore med metadata som du kan filtrera på senare.

Flödet startar när du kör det i n8n (manuell trigger). Därefter hanterar HTTP-förfrågningar sitemapen och skrapningen, Supabase/Postgres hanterar kö och lagring, och OpenAI genererar embeddings så att datamängden blir meningsfullt sökbar. Utfallet är ett strukturerat “innehållsbibliotek” i Supabase plus ett praktiskt granskningslager i Google Sheets.

Det du bygger

Förväntade resultat

Säg att du analyserar en konkurrent med en sitemap på 300 URL:er och att du bara behöver de “riktiga” innehållssidorna. Manuellt tar även snabb genomgång och loggning kanske 2 minuter per URL, så du tittar på cirka 10 timmar av tråkig granskning innan du ens har lärt dig något. Med det här flödet anger du sitemapen en gång, låter kön avduplicera automatiskt och låter skrapning plus rensning gå i bakgrunden. Du kanske lägger runt 20 minuter på att granska ett prioriterat ark i stället för att vakta hela processen.

Innan du börjar

  • n8n-instans (prova n8n Cloud gratis)
  • Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
  • Supabase för Postgres-tabeller och vektorlagring.
  • Google Sheets för att granska och dela nyckelsidor.
  • Crawl4AI API-nyckel (hämta den i din Crawl4AI-kontos dashboard).
  • OpenAI API-nyckel (hämta den på sidan för OpenAI API-nycklar).

Kunskapsnivå: Medel. Du behöver känna dig bekväm med att lägga in credentials, klistra in API-nycklar och redigera några “Set”-fält som sitemap-URL och tabellnamn.

Vill du att någon bygger det här åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).

Steg för steg

Inläsning av sitemap. Du kör flödet och det använder en HTTP Request-node för att hämta sitemap.xml och tolkar sedan XML:en till en lista med URL:er som du kan bearbeta i batchar.

Kö + avduplicering i Supabase. Varje URL normaliseras (så att query strings och små variationer inte skapar dubbletter) och kontrolleras sedan mot din Supabase scrape_queue. Om URL:en redan finns hoppar flödet över den. Om den är ny lägger det in en rad och markerar den som pending.

Skrapning med omförsök. Pending-URL:er skickas till Crawl4AI. Flödet väntar, pollar status och försöker igen vid behov. Om det når en omförsökströskel markerar det URL:en som error så att du kan granska den senare i stället för att blockera hela körningen.

Rensning, poängsättning och lagring. Skrapat innehåll rensas (boilerplate tas bort), kvalitetssäkras, taggas med metadata som titel/domän/språk/längd och delas sedan upp i chunkar och embed:as med OpenAI. Slutresultatet upsertas till en Supabase-vektorstore (documents) och köstatusen växlar till completed.

Du kan enkelt justera reglerna för kvalitetsscreening så att de blir striktare (eller mer tillåtande) beroende på din nisch. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera triggern för manuell körning

Starta arbetsflödet med en manuell trigger så att ni kan testa scraping-pipelinen vid behov.

  1. Lägg till och öppna Manual Run Trigger i början av arbetsflödet.
  2. Behåll standardinställningarna; den här noden kräver inga autentiseringsuppgifter.
  3. Koppla Manual Run Trigger till External API Call för att initiera sitemap-förfrågan.

Steg 2: anslut Supabase och Postgres

Sätt upp databastabeller för scrape-kön och dokumentlagring, och anslut alla Supabase-operationer.

  1. Öppna Create Scrape Queue Table och ställ in Operation på executeQuery.
  2. Ställ in Query på CREATE TABLE scrape_queue ( id uuid DEFAULT gen_random_uuid() PRIMARY KEY, url text NOT NULL UNIQUE, status text NOT NULL DEFAULT 'pending', task_id text, result text, created_at timestamp with time zone DEFAULT now(), updated_at timestamp with time zone DEFAULT now() ); -- Optional: Auto-update updated_at on row change CREATE OR REPLACE FUNCTION update_updated_at_column() RETURNS TRIGGER AS $$ BEGIN NEW.updated_at = now(); RETURN NEW; END; $$ language 'plpgsql'; CREATE TRIGGER update_scrape_queue_updated_at BEFORE UPDATE ON scrape_queue FOR EACH ROW EXECUTE PROCEDURE update_updated_at_column();.
  3. Öppna Create Documents Table och ställ in Operation på executeQuery med Query satt till CREATE TABLE documents ( id SERIAL PRIMARY KEY, content TEXT, metadata JSONB, embedding VECTOR(1536) );.
  4. Credential Required: Anslut era postgres-uppgifter i både Create Scrape Queue Table och Create Documents Table.
  5. Anslut supabaseApi-uppgifter till alla Supabase-noder: Lookup URL in Supabase, Insert URL Row, Retrieve Queue Row, Update Queue Row, Update Queue Row Error, Mark Queue Error och Supabase Vector Store.

⚠️ Vanlig fallgrop: Kör endast Create Scrape Queue Table och Create Documents Table en gång i produktion—om ni kör dem igen kan det skriva över eller skapa konflikter med befintliga tabeller.

Steg 3: sätt upp intag av sitemap

Hämta och tolka mål-sitemapen innan ni delar upp URL:er i enskilda poster.

  1. Öppna External API Call och ställ in URL på https://www.kiekens.com/sitemap.xml.
  2. Koppla External API Call till Parse XML Data och lämna standardinställningarna för XML-tolkning.
  3. I Split Records Out, ställ in Field To Split Out på urlset.url.

Steg 4: konfigurera URL-köning och batchning

Normalisera varje URL, kontrollera Supabase för dubbletter och lägg bara in nya URL:er i kön.

  1. Split Records Out skickar utdata till Iterate Batches A, som sedan skickar poster vidare till Split URL Entries för batchning.
  2. I Split URL Entries, ställ in Field To Split Out på url och Fields To Include på status.
  3. I Normalize URL Text, ställ in loc på {{ $json.loc.trim().toLowerCase() }}.
  4. I Lookup URL in Supabase, ställ in Table på scrape_queue, Operation på getAll och filtrera så att url är lika med {{ $json.loc }}.
  5. Granska Shape Supabase Output för att bekräfta att den producerar url och shouldInsert baserat på Normalize URL Text.
  6. I Should Insert Branch, behåll villkoret som kontrollerar att shouldInsert är lika med true.
  7. I Insert URL Row, ställ in Table på scrape_queue och mappa url till {{ $json.url }}.

Tips: normalisering till gemener i Normalize URL Text hjälper er att undvika dubbletter som bara skiljer sig åt i versaler/gemener.

Steg 5: konfigurera Crawl4AI-hämtning och statusloop

Trigga Crawl4AI-uppgifter, polla deras status och hantera återförsök och uppdateringar av kön.

  1. I Retrieve Queue Row, ställ in Table på scrape_queue och filtrera så att url är lika med {{ $json.url }}.
  2. I Pending Status Check, behåll villkoret där {{ $json.status }} innehåller pending.
  3. I Crawl4AI Page Fetch, ställ in URL på https://crawl4ai-app-nrcsv.ondigitalocean.app/crawl, Method på POST och body-parametern urls på {{ $json.url }}.
  4. Credential Required: Anslut era httpHeaderAuth-uppgifter till Crawl4AI Page Fetch och Crawl4AI Status Check.
  5. I Pause Timer, ställ in Amount på 30 sekunder innan nästa statuspoll.
  6. I Crawl4AI Status Check, ställ in URL på https://crawl4ai-app-nrcsv.ondigitalocean.app/task/{{ $json.task_id }}.
  7. I Completion Check, behåll villkoret där {{ $json.status }} är lika med completed.
  8. I Assign Task Fields, mappa task_id till {{ $('Crawl4AI Page Fetch').item.json.task_id }}, och skicka sedan vidare till Task Attempt Counter och Retry Threshold Check.
  9. I Retry Threshold Check, behåll reglerna för att {{ $json.task_id }} finns och att {{ $json.attempt_count }} är större än eller lika med 10.
  10. Konfigurera Delay Retry med Unit satt till minutes för att pausa innan ny hämtning.
  11. I Update Queue Row, mappa status till {{ $('Crawl4AI Status Check').item.json.status }} och task_id till {{ $('Crawl4AI Page Fetch').item.json.task_id }}.
  12. I Update Queue Row Error, mappa status till {{ $json.error.status }} och task_id till {{ $json.task_id }}.
  13. I Mark Queue Error, ställ in status på =error när återförsöken är slut.

Tips: återförsöksloopen använder Task Attempt Counter och Retry Threshold Check för att stoppa efter 10 försök—justera detta om er crawling-tjänst är långsammare.

Steg 6: sätt upp innehållsrensning och metadata

Rensa det scrape:ade innehållet, filtrera bort lågkvalitativa sidor och berika varje post med metadata.

  1. I Clean Scrape Content, behåll JavaScript-logiken som skapar cleanedText, wordCount och qualityScore.
  2. Skicka resultaten till Quality Screening, som filtrerar poster baserat på qualityScore, antal ord och innehållslängd.
  3. I Detect Content Type, behåll logiken för klassificering av innehållstyp (t.ex. code, tutorial, faq, documentation).
  4. I Enhanced Metadata Build, bevara metadatabyggaren som lägger till title, domain, language och scrapedDate.

Steg 7: sätt upp embeddings och vektorlagring

Dela upp innehållet i chunkar, generera embeddings och infoga vektorer i Supabase.

  1. I Character Chunker, ställ in Chunk Size på 5000.
  2. I Default Data Importer, ställ in JSON Data på {{ $json.cleanedText }} och metadata page på {{ $json.result.url }}.
  3. I OpenAI Embedding Builder, ställ in Model på text-embedding-ada-002 och lägg till autentiseringsuppgifter.
  4. Credential Required: Anslut era openAiApi-uppgifter i OpenAI Embedding Builder.
  5. I Supabase Vector Store, ställ in Mode på insert och Table Name på documents.
  6. Credential Required: Anslut era supabaseApi-uppgifter i Supabase Vector Store.

Tips: OpenAI Embedding Builder är ansluten som embedding-modell för Supabase Vector Store—säkerställ att API-nyckeln är satt på OpenAI Embedding Builder, inte på vektorlagringsnoden.

Steg 8: testa och aktivera ert arbetsflöde

Kör flödet manuellt för att bekräfta att crawling, bearbetning och vektorinfogning lyckas.

  1. Klicka på Execute Workflow för att trigga Manual Run Trigger.
  2. Verifiera att External API Call returnerar sitemapen och att Split Records Out skapar URL-poster.
  3. Bekräfta att Insert URL Row lägger till nya URL:er i scrape_queue och att Update Queue Row uppdaterar statusfält.
  4. Kontrollera att Supabase Vector Store infogar vektorer i tabellen documents efter att Enhanced Metadata Build är klar.
  5. När ni är nöjda, växla arbetsflödet till Active för användning i produktion.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

  • Supabase-credentials kan löpa ut eller sakna tabellbehörigheter. Om inserts eller upserts misslyckas, kontrollera först API-inställningarna i ditt Supabase-projekt och tabellernas RLS-policyer.
  • Om du använder Wait-noder eller extern skrapning varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar från Crawl4AI-statuspolling.
  • Standardprompter i AI-noder är generiska. Lägg in dina regler för innehållskvalitet och varumärkeston tidigt i AI Agent/OpenAI-konfigurationen, annars kommer du att korrigera utdata för hand.

Nästa steg

Om teamet även behöver interna dokument bredvid konkurrentanalysen är Google Drive till Supabase, sökbara dokument för AI en naturlig partner eftersom den bygger samma mönster med en “sökbar kunskapsbas” från era egna filer.

För team som jobbar med löpande bevakning hjälper Google Drive + Supabase: svar som håller sig uppdaterade er att hålla en levande research-hjärna, så att uppdateringar inte kräver en ny manuell export varje gång.

När dina källor mest är PDF:er (rapporter, pitch decks, marknadsstudier) ger OpenAI + Pinecone: besvara PDF-frågor i chatten samma fördelar med retrieval utan att du behöver sitemap-baserad crawlning.

Behöver du ett snabbare lager för “ställ frågor, få sammanfattningar” ovanpå dina insamlade dokument? Google Drive + Gemini: fråga dina dokument, få svar är utmärkt för intressentförfrågningar när de inte vill lära sig Supabase-frågor.

Slutligen, om du vill ha en liknande pipeline men med en annan skrapleverantör och vektordatabas är Scrapeless till Qdrant, sidor blir sökbar data en bra referens för att byta komponenter men behålla samma resultat.


Snabbreferens:

Snabba svar

Hur lång är uppsättningstiden för den här Supabase Sheets-automationen?

Cirka 45 minuter om dina Supabase-tabeller och API-nycklar är redo.

Krävs kodning för den här automationen för konkurrentanalys?

Nej. Du kommer mest att klistra in credentials och justera några fält som sitemap-URL och tabellnamn.

Är n8n gratis att använda för det här Supabase Sheets-automationsflödet?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Crawl4AI-användning plus kostnader för OpenAI-embeddings (ofta några dollar för en medelstor crawl, beroende på hur mycket text du lagrar).

Var kan jag hosta n8n för att köra den här automationen?

Två alternativ: n8n Cloud (managed, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsat antal körningar men kräver grundläggande serveradministration.

Kan jag anpassa det här Supabase Sheets-automationsflödet för andra användningsfall?

Ja, och det bör du troligen. Du kan skärpa eller lätta på filtreringen i stegen Quality Screening och Detect Content Type, och du kan ändra vilken metadata som lagras i Enhanced Metadata Build. Vanliga justeringar är att bara tillåta vissa URL-mönster (som /blog/), hoppa över sidor under en minsta längd och skriva “prioriterade sidor” till en separat Google Sheets-flik för granskning.

Varför misslyckas min Supabase-anslutning i det här flödet?

Oftast är det ett behörighetsproblem. Kontrollera att din Supabase-nyckel (eller Postgres-credentials) kan läsa/skriva till tabellerna scrape_queue och documents, och bekräfta att Row Level Security inte blockerar inserts. Om det fungerade en gång och sedan slutade, skapa en ny nyckel och uppdatera den i n8n. Kontrollera också att du pekar på rätt projekt-URL, vilket är ett vanligt misstag när du har flera miljöer.

Vilken volym kan det här Supabase Sheets-automationsflödet hantera?

Det beror främst på din budget för skrapning och embeddings, inte på n8n i sig. På n8n Cloud Starter jobbar du inom månatliga exekveringsgränser; på self-hosted n8n är exekveringar i praktiken obegränsade och din server blir begränsningen. I praktiken bearbetar många team några hundra sidor per körning och kör sedan om varje vecka för att fånga nya URL:er eftersom avduplicering gör det effektivt.

Är den här Supabase Sheets-automationen bättre än att använda Zapier eller Make?

För sitemap-crawlning plus kölogik, ja, i de flesta fall. Du behöver väntetider, omförsök, förgreningar och beteendet “kontrollera och lägg sedan in”, och det blir lätt klumpigt (och dyrt) i verktyg som prissätter per task. n8n spelar också bra med Postgres/Supabase, så scrape_queue-mönstret är rakt på. Zapier eller Make kan fortfarande fungera bra om målet bara är att “logga några URL:er till Google Sheets”. Om du är osäker kan du prata med en automationsexpert så kartlägger vi den enklaste vägen.

När detta väl är på plats slutar konkurrentanalys att vara ett återkommande projekt och blir ett system. Din databas förblir felfri, ditt kalkylark förblir lättläst och du kan lägga tiden på att fatta beslut i stället för att samla in råmaterial.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

Våra tjänster Om Node Nordic
×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Kopiera och importera JSON-arbetsflödet i ditt n8n-arbetsflöde