Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Estrarre dati dalle pagine web

Lezione 7 di 14 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Scraping basato sulla visione
  2. Leggere e riportare
  3. Estrarre contenuti oltre lo schermo
  4. L’approccio ibrido: navigare con la visione, estrarre via DOM
  5. Strutture non standard
  6. Preservare la tracciabilità dell’estrazione
  7. Ciò che la visione non ti darà
  8. Punti chiave

Lezione aggiornata il 3 novembre 2026 sulla base della guida Computer Use di OpenAI: un’attività termina quando la risposta non contiene più computer_call, e non in base al stop_reason delle API di Anthropic utilizzato nella versione precedente. Lo script di estrazione del DOM aveva selettori non quotati, causando un errore JavaScript; ora è corretto. Le cifre non documentate (token per screenshot, durata per pagina) sono state sostituite con fattori di costo documentati da OpenAI. Fonti: Computer Use · Calcolatore costi immagini.

Scraping basato sulla visione

Un estrattore classico legge l’HTML: attraversa il DOM, segue una gerarchia di tag e si blocca il giorno in cui il sito passa al rendering lato client o rinomina le sue classi. Computer Use funziona diversamente: l’agente legge lo schermo esattamente come farebbe un umano, per poi restituire ciò che ha compreso nel formato da te richiesto. L’impatto pratico è significativo: i siti prima inaccessibili agli scraper diventano disponibili, poiché ciò che l’agente vede corrisponde esattamente a ciò che vede l’utente.

Leggere e riportare

Il caso più semplice consiste nel chiedere una lettura del contenuto visibile e una restituzione strutturata. Il punto critico è imporre il formato di output nel prompt: senza istruzioni, il modello risponde in prosa, costringendoti ad analizzare testo libero, il che annulla tutto il beneficio dell’operazione.

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

L’agente vede lo screenshot, identifica i titoli e restituisce il JSON nella sua risposta testuale finale, ovvero quella che arriva quando la risposta non contiene più computer_call. Lo leggi da response.output_text.

Estrarre contenuti oltre lo schermo

Una viewport alta 720 pixel mostra solo una frazione di una pagina di risultati. Devi quindi descrivere non solo cosa raccogliere, ma anche come navigare nella pagina e qual è la condizione di arresto. Altrimenti, l’agente scorrerà fino all’esaurimento delle tue iterazioni, restituendo dati troncati.

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.
"""

Le tabelle sono il terreno più favorevole perché il modello coglie immediatamente le strutture tabulari visive: associa una cella alla sua colonna per semplice allineamento, mentre un estrattore DOM deve contare gli elementi <td> e si perde non appena una cella viene unita. Descrivi le colonne attese ed esso compilerà le righe.

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"],
    ...
  ]
}
"""

L’approccio ibrido: navigare con la visione, estrarre via DOM

Per i dati sensibili, come importi o riferimenti di prodotto, la lettura visiva rimane approssimativa. La combinazione più robusta divide i ruoli in base ai punti di forza di ciascuno strumento: l’agente gestisce la parte difficile da scriptare, ovvero raggiungere la pagina corretta tramite ricerche, filtri e finestre di consenso; Playwright subentra poi dove la precisione è fondamentale, leggendo i valori direttamente dal 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

Strutture non standard

Schede prodotto, profili, elenchi: questi layout sfuggono ai modelli regolari, ed è proprio qui che la visione prende il sopravvento. Il prompt deve quindi nominare ogni campo atteso, specificarne il tipo e fornire un esempio completo di output. Altrimenti, potresti recuperare “€250.000” in un record e 250000 nel successivo, facendo fallire l’elaborazione successiva già alla prima riga.

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

Preservare la tracciabilità dell’estrazione

Un’estrazione senza metadati diventa inutilizzabile dopo tre settimane: non sai più da dove provengono le cifre né quando sono state datate, rendendo privo di senso il confronto con la raccolta successiva. Registra sistematicamente la fonte e il timestamp insieme ai dati.

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}")

Ciò che la visione non ti darà

La precisione numerica è il primo limite. L’OCR implicito del modello può confondere caratteri di forma simile, come 0 e O, 1 e l; ciò è irrilevante per il titolo di un articolo ma inaccettabile per un IBAN o un riferimento d’ordine: verifica sempre i dati critici o usa l’estrazione DOM per quei campi.

Il costo viene dopo. Ogni screenshot conta come input immagine, il cui prezzo dipende dalle dimensioni e dal modello; OpenAI mette a disposizione un calcolatore per stimarlo. Un’estrazione con scorrimento concatena molti turni. Poiché l’intera cronologia della catena viene rifatturata come input a ogni richiesta, il costo di una raccolta lunga cresce più velocemente del numero di screenshot. Pertanto, qualsiasi grande volume da raccogliere quotidianamente richiede una misurazione su alcune pagine reali prima di andare in produzione. Il tempo segue la stessa logica: ogni turno attende una risposta del modello, il che si adatta all’elaborazione notturna ma raramente a un’interfaccia utente in attesa di una risposta.

Punti chiave

  • Computer Use eccelle nell’estrazione di dati da pagine visivamente complesse
  • Richiedi sempre un formato di output strutturato (JSON) nel prompt
  • Combina la navigazione AI con l’estrazione DOM di Playwright per una maggiore affidabilità
  • Prevedi lo scorrimento per le pagine lunghe
  • Verifica i dati numerici critici perché l’OCR implicito non è perfetto