Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Udtræk data fra websider

Lektion 7 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Vision-baseret scraping
  2. Læs og rapportér
  3. Udtræk indhold ud over skærmen
  4. Den hybride tilgang: Navigér via vision, udtræk via DOM
  5. Ikke-standard strukturer
  6. Bevar sporbarhed for udtræk
  7. Hvad vision ikke giver dig
  8. Vigtige pointer

Lektionen opdateret 3. november 2026 baseret på OpenAIs Computer Use-guide: En opgave afsluttes, når svaret ikke indeholder nogen computer_call, ikke baseret på stop_reason fra Anthropic’s API, som blev brugt i den tidligere version. DOM-udtræksscriptet havde ikke-citerede selektorer, hvilket forårsagede en JavaScript-fejl; dette er nu rettet. Tal uden kilde (tokens per skærmbillede, varighed per side) er erstattet med omkostningsfaktorer dokumenteret af OpenAI. Kilder: Computer Use · Image Cost Calculator.

Vision-baseret scraping

En klassisk extractor læser HTML: den traverserer DOM’en, følger en hierarki af tags, og bryder sammen den dag, sitet skifter til client-side rendering eller omdøber sine klasser. Computer Use fungerer anderledes – agenten læser skærmen, præcis som et menneske ville, og returnerer derefter det, den har forstået, i det format, du har anmodet om. Den praktiske betydning er betydelig: sider, der tidligere var utilgængelige for scrapere, bliver tilgængelige, da det, agenten ser, er nøjagtig det, brugeren ser.

Læs og rapportér

Det enkleste tilfælde indebærer at bede om en læsning af synligt indhold og en struktureret returnering. Det afgørende punkt er at håndhæve output-formatet i prompten: uden instruktioner svarer modellen i prosa, hvilket tvinger dig til at parse fritekst, og det ødelægger hele fordelen ved operationen.

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": "..."},
  ...
]
"""

Agenten ser skærmbilledet, identificerer overskrifterne og returnerer JSON’en i sit sidste tekstsvar – det, der ankommer, når svaret ikke længere indeholder en computer_call. Du læser dette fra response.output_text.

Udtræk indhold ud over skærmen

En viewport på 720 pixels i højden viser kun en brøkdel af en resultatside. Du skal derfor beskrive ikke kun hvad der skal indsamles, men også hvordan siden skal navigeres, og hvornår der skal stoppes. Ellers vil agenten scrolle, indtil dine iterationer løber tør, og returnere afkortede 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.
"""

Tabeller er det mest gunstige terræn, fordi modellen straks forstår visuelle tabelstrukturer: den associerer en celle med dens kolonne ved simpel justering, hvorimod en DOM-extractor skal tælle <td>-elementer og farer vild, så snart en celle er sammenflettet. Beskriv de forventede kolonner, så udfylder den rækkerne.

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"],
    ...
  ]
}
"""

Den hybride tilgang: Navigér via vision, udtræk via DOM

For følsomme data – beløb, produktreferencer – er visuel læsning fortsat approximativ. Den mest robuste kombination deler rollerne efter hver værktøjs styrker: agenten håndterer den del, der er svær at scripte, nemlig at nå den rigtige side gennem søgninger, filtre og samtykke-dialogbokse; Playwright overtager derefter, hvor præcisionen er vigtigst, ved at læse værdier direkte fra DOM’en.

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

Ikke-standard strukturer

Produktkort, profiler, lister: disse layouts unddrager sig regelmæssige skabeloner, og det er netop her, visionen tager føringen. Prompten skal derefter navngive hvert forventet felt, specificere dets type og give et komplet output-eksempel. Ellers risikerer du at hente “€250.000” i én post og 250000 i den næste, hvilket får den efterfølgende behandling til at bryde sammen på første linje.

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://..."
    }
  ]
}
"""

Bevar sporbarhed for udtræk

Et udtræk uden metadata bliver ubrugeligt tre uger senere: du ved ikke længere, hvor tallene kom fra, eller hvornår de stammer fra, hvilket gør sammenligning med den næste indsamling meningsløs. Registrér systematisk kilden og tidsstemplet sammen med dataene.

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}")

Hvad vision ikke giver dig

Numerisk præcision er den første begrænsning. Modellens implicitte OCR kan forveksle tegn med lignende form – 0 og O, 1 og l – hvilket er ligegyldigt for en artikeloverskrift, men uacceptabelt for en IBAN eller ordreferencenummer: verificér altid kritiske data, eller brug DOM-udtræk til disse felter.

Omkostninger kommer derefter. Hvert skærmbillede tæller som et billed-input, hvis pris afhænger af størrelsen og modellen – OpenAI tilbyder en calculator til at estimere dette – og et udtræk med scrolling kæder mange ture sammen. Da hele kædens historik gen-faktureres som input ved hver anmodning, vokser omkostningerne ved en lang indsamling hurtigere end antallet af skærmbilleder. Derfor berettiger ethvert stort volumen, der skal indsamles dagligt, en måling på nogle få rigtige sider, før du går i produktion. Tid følger den samme logik: hver tur venter på et modelsvar, hvilket passer til nattenlig behandling, men sjældent til en brugergrænseflade, der venter på svar.

Vigtige pointer

  • Computer Use excellerer i at udtrække data fra visuelt komplekse sider
  • Anmod altid om et struktureret output-format (JSON) i prompten
  • Kombinér AI-navigation med Playwright DOM-udtræk for højere pålidelighed
  • Planlæg scrolling på lange sider
  • Verificér kritiske numeriske data, da implicit OCR ikke er perfekt