Εξαγωγή Δεδομένων από Ιστοσελίδες
Σε αυτήν τη σελίδα
Μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση τον οδηγό Computer Use της OpenAI: μια εργασία ολοκληρώνεται όταν η απόκριση δεν περιέχει
computer_call, και όχι βάσει τουstop_reasonαπό το API της Anthropic που χρησιμοποιούνταν στην προηγούμενη έκδοση. Το σενάριο εξαγωγής DOM είχε μη παρατιθέμενους επιλογείς, προκαλώντας σφάλμα JavaScript· αυτό διορθώθηκε πλέον. Οι αριθμοί χωρίς πηγή (tokens ανά στιγμιότυπο οθόνης, διάρκεια ανά σελίδα) αντικαταστάθηκαν με παράγοντες κόστους που τεκμηριώνονται από την OpenAI. Πηγές: Computer Use · Image Cost Calculator.
Scraping Βασισμένο στην Όραση
Ένας κλασικός extractor διαβάζει HTML: διατρέχει το DOM, ακολουθεί μια ιεραρχία ετικετών και καταρρέει την ημέρα που ο ιστότοπος μεταβαίνει σε rendering από την πλευρά του πελάτη (client-side) ή μετονομάζει τις κλάσεις του. Το Computer Use λειτουργεί διαφορετικά· ο πράκτορας διαβάζει την οθόνη ακριβώς όπως θα έκανε ένας άνθρωπος και επιστρέφει αυτό που κατανόησε στη μορφή που ζητήσατε. Η πρακτική επίπτωση είναι σημαντική: ιστότοποι προηγουμένως απρόσιτοι σε scrapers γίνονται διαθέσιμοι, καθώς αυτό που βλέπει ο πράκτορας είναι ακριβώς αυτό που βλέπει ο χρήστης.
Ανάγνωση και Αναφορά
Η απλούστερη περίπτωση αφορά την αίτηση ανάγνωσης ορατού περιεχομένου και δομημένης επιστροφής. Το κρίσιμο σημείο είναι να επιβάλετε τη μορφή εξόδου στο prompt: χωρίς οδηγίες, το μοντέλο αποκρίνεται με πεζό λόγο, αναγκάζοντάς σας να αναλύσετε ελεύθερο κείμενο, κάτι που καταστρέφει ολόκληρο το όφελος της διαδικασίας.
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": "..."},
...
]
"""
Ο πράκτορας βλέπει το στιγμιότυπο οθόνης, εντοπίζει τους τίτλους και επιστρέφει το JSON στην τελική απόκριση κειμένου του—αυτή που φτάνει όταν η απόκριση δεν περιέχει πλέον computer_call. Το διαβάζετε από το response.output_text.
Εξαγωγή Περιεχομένου Πέρα από την Οθόνη
Ένα viewport ύψους 720 pixel εμφανίζει μόνο ένα κλάσμα μιας σελίδας αποτελεσμάτων. Επομένως, πρέπει να περιγράψετε όχι μόνο τι να συλλεχθεί, αλλά και πώς να περιηγηθείτε στη σελίδα και ποια είναι η συνθήκη διακοπής. Διαφορετικά, ο πράκτορας θα κάνει κύλιση μέχρι να εξαντληθούν οι επαναλήψεις σας, επιστρέφοντας περικομμένα δεδομένα.
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.
"""
Οι πίνακες είναι το πιο ευνοϊκό έδαφος επειδή το μοντέλο αντιλαμβάνεται άμεσα τις οπτικές δομές πινάκων: συσχετίζει ένα κελί με τη στήλη του μέσω απλής στοίχισης, ενώ ένας extractor DOM πρέπει να μετρήσει στοιχεία <td> και χάνεται μόλις συγχωνευθεί ένα κελί. Περιγράψτε τις αναμενόμενες στήλες και αυτό θα συμπληρώσει τις γραμμές.
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"],
...
]
}
"""
Η Υβριδική Προσέγγιση: Πλοήγηση με Όραση, Εξαγωγή μέσω DOM
Για ευαίσθητα δεδομένα—ποσά, κωδικούς αναφοράς προϊόντων—η οπτική ανάγνωση παραμένει κατά προσέγγιση. Ο πιο robust συνδυασμός διαιρεί τους ρόλους σύμφωνα με τα δυνατά σημεία κάθε εργαλείου: ο πράκτορας χειρίζεται το μέρος που είναι δύσκολο να scripted, δηλαδή την επίτευξη της σωστής σελίδας μέσω αναζητήσεων, φίλτρων και διαλόγων συναίνεσης· το Playwright αναλαμβάνει εκεί που η ακρίβεια έχει τη μεγαλύτερη σημασία, διαβάζοντας τιμές απευθείας από το 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
Μη Τυποποιημένες Δομές
Κάρτες προϊόντων, προφίλ, λίστες: αυτές οι διατάξεις ξεφεύγουν από τακτικά πρότυπα, και εδώ ακριβώς η όραση παίρνει το προβάδισμα. Το prompt πρέπει τότε να ονομάζει κάθε αναμενόμενο πεδίο, να καθορίζει τον τύπο του και να παρέχει ένα πλήρες παράδειγμα εξόδου. Διαφορετικά, μπορεί να ανακτήσετε “€250.000” σε μία εγγραφή και 250000 στην επόμενη, προκαλώντας τη διακοπή της μεταγενέστερης επεξεργασίας στην πρώτη γραμμή.
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://..."
}
]
}
"""
Διατήρηση Ιχνηλασιμότητας Εξαγωγής
Μια εξαγωγή χωρίς μεταδεδομένα καθίσταται άχρηστη μετά από τρεις εβδομάδες: δεν γνωρίζετε πλέον από πού προέρχονται οι αριθμοί ή πότε χρονολογούνται, καθιστώντας τη σύγκριση με την επόμενη συλλογή άνευ νοήματος. Καταγράφετε συστηματικά την πηγή και τη χρονική σήμανση μαζί με τα δεδομένα.
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}")
Τι Δεν Θα Σας Δώσει η Όραση
Η αριθμητική ακρίβεια είναι ο πρώτος περιορισμός. Το υπονοούμενο OCR του μοντέλου μπορεί να μπερδέψει χαρακτήρες παρόμοιου σχήματος—0 και O, 1 και l—κάτι που είναι ασήμαντο για έναν τίτλο άρθρου αλλά απαράδεκτο για ένα IBAN ή κωδικό αναφοράς παραγγελίας: επαληθεύετε πάντα τα κρίσιμα δεδομένα ή χρησιμοποιείτε εξαγωγή DOM για αυτά τα πεδία.
Το κόστος ακολουθεί. Κάθε στιγμιότυπο οθόνης μετρά ως είσοδος εικόνας, η τιμή της οποίας εξαρτάται από το μέγεθός της και το μοντέλο—η OpenAI παρέχει μια αριθμομηχανή για την εκτίμηση αυτή—και μια εξαγωγή με κύλιση αλυσοδένει πολλές στροφές μαζί. Επειδή ολόκληρο το ιστορικό της αλυσίδας χρεώνεται εκ νέου ως είσοδος σε κάθε αίτημα, το κόστος μιας μακράς συλλογής αυξάνεται ταχύτερα από τον αριθμό των στιγμιότυπων οθόνης της. Επομένως, οποιοσδήποτε μεγάλος όγκος προς συλλογή καθημερινά δικαιολογεί μέτρηση σε μερικές πραγματικές σελίδες πριν τη μετάβαση σε παραγωγή. Ο χρόνος ακολουθεί την ίδια λογική: κάθε στροφή περιμένει μια απόκριση μοντέλου, κάτι που ταιριάζει σε επεξεργασία κατά τη διάρκεια της νύχτας αλλά σπάνια σε μια διεπαφή χρήστη που περιμένει απάντηση.
Βασικά σημεία
- Το Computer Use διαπρέπει στην εξαγωγή δεδομένων από οπτικά πολύπλοκες σελίδες
- Ζητάτε πάντα μια δομημένη μορφή εξόδου (JSON) στο prompt
- Συνδυάζετε την πλοήγηση AI με την εξαγωγή DOM του Playwright για μεγαλύτερη αξιοπιστία
- Προβλέπετε την κύλιση σε μεγάλες σελίδες
- Επαληθεύετε τα κρίσιμα αριθμητικά δεδομένα επειδή το υπονοούμενο OCR δεν είναι τέλειο