Salt la conținutul principal
Română— Alege o limbă
Meniu

Extragerea datelor din paginile web

Lecția 7 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Scraping bazat pe viziune
  2. Citire și raportare
  3. Extragerea conținutului dincolo de ecran
  4. Abordarea hibridă: Navigare prin viziune, extragere prin DOM
  5. Structuri non-standard
  6. Păstrarea trasabilității extragerii
  7. Ce nu vă poate oferi viziunea
  8. Puncte cheie

Lecție actualizată la 3 noiembrie 2026 pe baza ghidului Computer Use de la OpenAI: o sarcină se încheie atunci când răspunsul nu mai conține un computer_call, nu pe baza parametrului stop_reason din API-ul Anthropic utilizat în versiunea anterioară. Scriptul de extragere DOM avea selectori fără ghilimele, provocând o eroare JavaScript; acest aspect a fost corectat. Cifrele fără sursă (tokeni per captură de ecran, durată per pagină) au fost înlocuite cu factori de cost documentați de OpenAI. Surse: Computer Use · Calculator cost imagine.

Scraping bazat pe viziune

Un extractor clasic citește HTML-ul: parcurge DOM-ul, urmează o ierarhie de tag-uri și eșuează în momentul în care site-ul trece la randare lato-client (client-side rendering) sau își redenumește clasele CSS. Computer Use funcționează diferit—agentul citește ecranul exact cum ar face-o un om, apoi returnează ceea ce a înțeles în formatul solicitat de dumneavoastră. Impactul practic este semnificativ: site-urile care erau anterior inaccesibile pentru scrapere devin disponibile, deoarece ceea ce vede agentul este exact ceea ce vede utilizatorul.

Citire și raportare

Cazul cel mai simplu implică solicitarea unei citiri a conținutului vizibil și a unei returnări structurate. Punctul critic este impunerea formatului de ieșire direct în prompt: fără instrucțiuni explicite, modelul va răspunde în proză, obligându-vă să analizați text liber, ceea ce anulează întregul beneficiu al operațiunii.

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

Agentul vede captura de ecran, identifică titlurile și returnează JSON-ul în răspunsul său textual final—cel care sosește atunci când răspunsul nu mai conține un computer_call. Dumneavoastră citiți acest date din response.output_text.

Extragerea conținutului dincolo de ecran

O fereastră de vizualizare (viewport) de 720 de pixeli înălțime afișează doar o fracțiune dintr-o pagină de rezultate. Prin urmare, trebuie să descrieți nu doar ce să colecteze, ci și cum să navigheze în pagină, precum și condiția de oprire. În caz contrar, agentul va derula pagina până când iterările dumneavoastră se epuizează, returnând date trunchiate.

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.
"""

Tabelele reprezintă terenul cel mai favorabil, deoarece modelul înțelege imediat structurile tabulare vizuale: asociază o celulă cu coloana sa prin simpla aliniere, în timp ce un extractor DOM trebuie să numere elementele <td> și se pierde imediat ce o celulă este unită (merged). Descrieți coloanele așteptate, iar modelul va completa rândurile.

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"],
    ...
  ]
}
"""

Abordarea hibridă: Navigare prin viziune, extragere prin DOM

Pentru date sensibile—sume, referințe de produse—citirea vizuală rămâne aproximativă. Cea mai robustă combinație împarte rolurile conform punctelor forte ale fiecărui instrument: agentul gestionează partea dificil de scriptat, și anume atingerea paginii corecte prin căutări, filtre și dialoguri de consimțământ; Playwright preia apoi controlul acolo unde precizia contează cel mai mult, citind valorile direct din 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

Structuri non-standard

Carduri de produs, profiluri, listări: aceste layout-uri scapă șabloanelor regulate, iar aici intervine exact avantajul viziunii. Promptul trebuie apoi să numească fiecare câmp așteptat, să îi specifice tipul și să ofere un exemplu complet de ieșire. În caz contrar, ați putea recupera „250.000 €“ într-o înregistrare și 250000 în următoarea, ceea ce va determina eșuarea procesării ulterioare încă de la prima linie.

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

Păstrarea trasabilității extragerii

O extragere fără metadate devine inutilizabilă peste trei săptămâni: nu mai știți de unde provin cifrele sau când au fost datate, ceea ce face ca orice comparație cu o colectare ulterioară să fie lipsită de sens. Înregistrați sistematic sursa și marcajul temporal (timestamp) alături de date.

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}")

Ce nu vă poate oferi viziunea

Precizia numerică este prima limitare. OCR-ul implicit al modelului poate confunda caractere cu forme similare—0 și O, 1 și l—ceea ce este neimportant pentru un titlu de articol, dar inacceptabil pentru un IBAN sau o referință de comandă: verificați întotdeauna datele critice sau utilizați extragerea DOM pentru acele câmpuri.

Costul vine apoi. Fiecare captură de ecran contează ca o intrare de imagine, al cărei preț depinde de dimensiunea sa și de model—OpenAI pune la dispoziție un calculator pentru a estima acest aspect—iar o extragere cu derulare înlănțuie multe tururi de conversație. Deoarece întregul istoric al lanțului este refacturat ca intrare la fiecare cerere, costul unei colectări lungi crește mai rapid decât numărul de capturi de ecran. Prin urmare, orice volum mare de colectat zilnic justifică o măsurătoare pe câteva pagini reale înainte de a trece în producție. Timpul urmează aceeași logică: fiecare tur așteaptă un răspuns de la model, ceea ce se potrivește procesărilor nocturne, dar rareori unei interfețe de utilizator care așteaptă un răspuns imediat.

Puncte cheie

  • Computer Use excelează la extragerea datelor din pagini cu complexitate vizuală ridicată
  • Solicitați întotdeauna un format de ieșire structurat (JSON) în prompt
  • Combinați navigarea asistată de AI cu extragerea DOM prin Playwright pentru o fiabilitate superioară
  • Planificați derularea pentru paginile lungi
  • Verificați datele numerice critice, deoarece OCR-ul implicit nu este perfect