Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Extrakce dat z webových stránek

Lekce 7 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Scraping založený na vidění
  2. Čtení a hlášení
  3. Extrakce obsahu mimo obrazovku
  4. Hybridní přístup: Navigace podle vidění, extrakce přes DOM
  5. Nestandardní struktury
  6. Zachování sledovatelnosti extrakce
  7. Co ti vidění neposkytne
  8. Klíčové poznatky

Lekce aktualizována 3. listopadu 2026 na základě příručky Computer Use od OpenAI: úloha končí, když odpověď neobsahuje žádný computer_call, nikoliv na základě stop_reason z API Anthropic použitého v předchozí verzi. Skript pro extrakci DOM měl neuzavřené selektory v uvozovkách, což způsobovalo chybu JavaScriptu; toto je nyní opraveno. Čísla bez zdroje (tokeny na snímek obrazovky, doba na stránku) byla nahrazena nákladovými faktory zdokumentovanými společností OpenAI. Zdroje: Computer Use · Kalkulačka nákladů na obrázky.

Scraping založený na vidění

Klasický extraktor čte HTML: prochází DOM, sleduje hierarchii tagů a selže ve chvíli, kdy web přepne na vykreslování na straně klienta (client-side rendering) nebo přejmenuje své třídy. Computer Use funguje jinak – agent čte obrazovku přesně tak, jako by to dělal člověk, a následně vrátí pochopené informace ve vámi požadovaném formátu. Praktický dopad je významný: stránky, které byly dříve pro scrapery nedostupné, se stávají dostupnými, protože to, co agent vidí, je přesně to, co vidí uživatel.

Čtení a hlášení

Nejjednodušší případ zahrnuje požadavek na přečtení viditelného obsahu a strukturovaný návrat. Klíčové je vynutit si výstupní formát přímo v promptu: bez instrukcí model odpoví souvislým textem, což vás donutí parsovat volný text, čímž se ztratí celý smysl této operace.

task = """
Go to https://news.example.com and extract the first 5 article 
headlines visible on the homepage.

Return the result in JSON format:
[
  {"rank": 1, "title": "..."},
  {"rank": 2, "title": "..."},
  ...
]
"""

Agent vidí snímek obrazovky, identifikuje nadpisy a vrátí JSON ve své finální textové odpovědi – té, která dorazí, když odpověď již neobsahuje computer_call. Tuto data čteš z response.output_text.

Extrakce obsahu mimo obrazovku

Viewport o výšce 720 pixelů zobrazuje pouze zlomek stránky s výsledky. Musíš proto popsat nejen to, co se má sesbírat, ale také jak se po stránce pohybovat a jaká je ukončovací podmínka. Jinak bude agent rolovat, dokud se nevyčerpají vaše iterace, a vrátí pouze neúplná data.

task = """
On this search results page:
1. Read all visible results and note them
2. Scroll down to see more results
3. Continue until you have collected 20 results or reached 
   the bottom of the page

For each result, extract:
- Title
- URL
- Short description

Return everything in JSON.
"""

Tabulky jsou nejvhodnějším terénem, protože model okamžitě pochopí vizuální tabulkové struktury: přiřadí buňku ke sloupci pomocí jednoduchého zarovnání, zatímco extraktor DOM musí počítat prvky <td> a ztratí se, jakmile dojde ke sloučení buněk. Popiš očekávané sloupce a on vyplní řádky.

task = """
Open https://stats.example.com/prices and extract the price table 
displayed on the page.

The table has columns: Product, Price ex-VAT, VAT, Price inc-VAT.
Extract all rows and return in JSON:
{
  "headers": ["Product", "Price ex-VAT", "VAT", "Price inc-VAT"],
  "rows": [
    ["Widget A", "10.00", "20%", "12.00"],
    ...
  ]
}
"""

Hybridní přístup: Navigace podle vidění, extrakce přes DOM

U citlivých dat – částek, odkazů na produkty – zůstává vizuální čtení přibližné. Nejrobustnější kombinace rozděluje role podle silných stránek jednotlivých nástrojů: agent se postará o část, kterou je obtížné naskriptovat, tedy dosažení správné stránky prostřednictvím vyhledávání, filtrů a dialogů se souhlasem; Playwright poté převezme kontrolu tam, kde záleží na přesnosti nejvíce, a čte hodnoty přímo z DOM.

def extract_with_dom(page, task_description: str):
    """Use Computer Use to navigate, Playwright to extract."""
    # Phase 1: Computer Use navigates and identifies the area
    run_agent(task_description, page=page)
    
    # Phase 2: Playwright extracts precise data
    data = page.evaluate("""
        () => {
            const rows = document.querySelectorAll('table tbody tr');
            return Array.from(rows).map(row => {
                const cells = row.querySelectorAll('td');
                return Array.from(cells).map(c => c.textContent.trim());
            });
        }
    """)
    
    return data

Nestandardní struktury

Karty produktů, profily, výpisy: tato rozvržení se vymykají pravidelným šablonám a právě zde přebírá vedení vidění. Prompt musí pojmenovat každé očekávané pole, specifikovat jeho typ a poskytnout kompletní příklad výstupu. Jinak můžeš v jednom záznamu získat „250 000 €“ a v dalším 250000, což způsobí selhání následného zpracování již na první řádce.

task = """
On this real estate results page, extract for each listing:
- price (number, in euros)
- area (in m²)
- rooms (integer)
- city
- postal_code
- listing_url

Scroll to load more listings if necessary.
Stop when you have 10 listings or when there are no more.

Strict JSON output format:
{
  "listings": [
    {
      "price": 250000,
      "area": 65,
      "rooms": 3,
      "city": "Paris",
      "postal_code": "75011",
      "listing_url": "https://..."
    }
  ]
}
"""

Zachování sledovatelnosti extrakce

Extrakce bez metadat se po třech týdnech stane nepoužitelnou: již nevíš, odkud čísla pocházejí ani kdy byla pořízena, což činí srovnání s další sběrem bezpředmětným. Systematicky ukládej zdroj a časové razítko společně s daty.

import json
from datetime import datetime, timezone

def save_extraction(data: dict, source_url: str):
    """Save extracted data with metadata."""
    now = datetime.now(timezone.utc)
    output = {
        "source": source_url,
        "extracted_at": now.isoformat(),
        "data": data,
    }

    filename = f"extraction_{now:%Y%m%d_%H%M%S}.json"
    with open(filename, "w", encoding="utf-8") as f:
        json.dump(output, f, ensure_ascii=False, indent=2)
    
    print(f"Data saved to {filename}")

Co ti vidění neposkytne

Prvním omezením je numerická přesnost. Implicitní OCR modelu si může splést znaky podobného tvaru – 0 a O, 1 a l – což je u nadpisu článku zanedbatelné, ale u IBAN nebo čísla objednávky nepřijatelné: kritická data vždy ověř, nebo pro tato pole použij extrakci přes DOM.

Dalším faktorem jsou náklady. Každý snímek obrazovky se počítá jako vstupní obrázek, jehož cena závisí na velikosti a modelu – OpenAI poskytuje kalkulačku pro odhad – a extrakce s rolováním řetězí mnoho kroků za sebou. Protože se celá historie řetězce při každém požadavku znovu fakturuje jako vstup, náklady na dlouhou sběr rostou rychleji než počet snímků obrazovky. Jakýkoli velký objem dat, který má být sbírán denně, si proto zaslouží změření na několika reálných stránkách před nasazením do produkce. Čas následuje stejnou logiku: každý krok čeká na odpověď modelu, což vyhovuje nočnímu zpracování, ale zřídka uživatelskému rozhraní čekajícímu na odpověď.

Klíčové poznatky

  • Computer Use vyniká v extrakci dat z vizuálně složitých stránek
  • V promptu vždy požaduj strukturovaný výstupní formát (JSON)
  • Pro vyšší spolehlivost kombinuj navigaci pomocí AI s extrakcí DOM přes Playwright
  • Naplánuj rolování u dlouhých stránek
  • Ověřuj kritická numerická data, protože implicitní OCR není dokonalá