Extrahera data från webbsidor
På denna sida
Lektionen uppdaterad 3 november 2026 baserat på OpenAIs guide Computer Use: en uppgift avslutas när svaret inte innehåller någon
computer_call, inte baserat påstop_reasonfrån Anthropic API som användes i föregående version. DOM-extraheringsskriptet hade ociterade selektorer vilket orsakade ett JavaScript-fel; detta är nu åtgärdat. Osäkerställda siffror (tokens per skärmdump, varaktighet per sida) har ersatts med kostnadsfaktorer dokumenterade av OpenAI. Källor: Computer Use · Image Cost Calculator.
Visionbaserad skrapning
En klassisk extraherare läser HTML: den traverserar DOM:en, följer en hierarki av taggar och slutar fungera den dag webbplatsen byter till klientrendering eller döper om sina klasser. Computer Use fungerar annorlunda – agenten läser skärmen precis som en människa skulle, och returnerar sedan det den förstått i det format du begärt. Den praktiska effekten är betydande: webbplatser som tidigare var oåtkomliga för skrapor blir tillgängliga, eftersom det agenten ser är exakt det användaren ser.
Läs och rapportera
Det enklaste fallet innebär att be om en läsning av synligt innehåll och en strukturerad returnering. Den kritiska punkten är att tvinga fram utdataformatet i prompten: utan instruktioner svarar modellen i löpande text, vilket tvingar dig att parsa fritt språk och därmed förstör hela vinsten med 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 skärmdumpen, identifierar rubrikerna och returnerar JSON:en i sitt slutgiltiga textsvar – det som anländer när svaret inte längre innehåller någon computer_call. Du läser detta från response.output_text.
Extrahera innehåll bortom skärmen
En vyport på 720 pixlar höjd visar bara en bråkdel av en resultatsida. Du måste därför beskriva inte bara vad som ska samlas in, utan också hur sidan ska navigeras och vilket stoppvillkor som gäller. Annars kommer agenten att scrolla tills dina iterationer tar slut och returnera trunkerad 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 är den mest gynnsamma terrängen eftersom modellen omedelbart fattar visuella tabellstrukturer: den kopplar en cell till dess kolumn genom enkel linjering, medan en DOM-extraherare måste räkna <td>-element och tappar bort sig så snart en cell slås samman. Beskriv de förväntade kolumnerna så fyller den i raderna.
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 hybrida approachen: Navigera med vision, extrahera via DOM
För känslig data – belopp, produktreferenser – är visuell läsning fortfarande ungefärlig. Den mest robusta kombinationen delar upp rollerna efter varje verktygs styrkor: agenten hanterar den del som är svår att skripta, nämligen att nå rätt sida genom sökningar, filter och samtyckesdialogrutor; Playwright tar sedan över där precisionen är som viktigast och läser värden direkt från 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
Icke-standardiserade strukturer
Produktkort, profiler, listningar: dessa layouter undkommer regelbundna mallar, och det är precis här visionen tar ledningen. Prompten måste då namnge varje förväntat fält, specificera dess typ och ge ett komplett exempel på utdata. Annars riskerar du att hämta “250 000 €” i en post och 250000 i nästa, vilket får den efterföljande bearbetningen att krascha på första raden.
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://..."
}
]
}
"""
Bevara spårbarhet vid extrahering
En extrahering utan metadata blir oanvändbar efter tre veckor: du vet inte längre var siffrorna kommer ifrån eller när de daterades, vilket gör jämförelser med nästa insamling meningslösa. Registrera systematiskt källa och tidsstämpel tillsammans med datan.
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}")
Vad vision inte ger dig
Numerisk precision är den första begränsningen. Modellens implicita OCR kan förväxla tecken med liknande form – 0 och O, 1 och l – vilket är oväsentligt för en artikelrubrik men oacceptabelt för ett IBAN eller en orderreferens: verifiera alltid kritisk data, eller använd DOM-extrahering för dessa fält.
Kostnaden kommer härnäst. Varje skärmdump räknas som en bildinmatning, vars pris beror på storlek och modell – OpenAI tillhandahåller en kalkylator för att uppskatta detta – och en extrahering med scrollning länkar många turer till varandra. Eftersom hela turhistoriken debiteras på nytt som inmatning vid varje begäran, växer kostnaden för en lång insamling snabbare än antalet skärmdumpar. Därför kräver varje stor volym som ska samlas in dagligen mätning på några verkliga sidor innan driftsättning. Tiden följer samma logik: varje tur väntar på ett modelsvar, vilket passar nattlig bearbetning men sällan ett användargränssnitt som väntar på svar.
Viktiga punkter
- Computer Use excellerar på att extrahera data från visuellt komplexa sidor
- Begär alltid ett strukturerat utdataformat (JSON) i prompten
- Kombinera AI-navigering med Playwrights DOM-extrahering för högre tillförlitlighet
- Planera för scrollning på långa sidor
- Verifiera kritisk numerisk data eftersom implicit OCR inte är perfekt