Η εξαγωγή δομημένων δεδομένων από μια ιστοσελίδα συνήθως σημαίνει ότι γράφεις έναν scraper μιας χρήσης που σπάει με την παραμικρή αλλαγή στο site. Αυτός ο extractor λειτουργεί αλλιώς: του δίνεις ένα URL και ένα schema.
sonnet4 ημέρεςFirecrawlPlaywrightOpenAIPostgres
Claude
65ROI
72Scale
$2.2k93Saved
ROI for
README.md
Γιατί αυτός ο subagent
Η εξαγωγή δομημένων δεδομένων από μια ιστοσελίδα συνήθως σημαίνει ότι γράφεις έναν scraper μιας χρήσης που σπάει με την παραμικρή αλλαγή στο site. Αυτός ο extractor λειτουργεί αλλιώς: του δίνεις ένα URL και ένα schema.
Περιγράφεις τα πεδία που θες, κι αυτός render-άρει τη σελίδα, αντιστοιχίζει τα στοιχεία και επιστρέφει καθαρά, επικυρωμένα records. Αλλάζεις site απλά αλλάζοντας το schema — χωρίς νέο scraper — και όποιο πεδίο λείπει από τη σελίδα σημαδεύεται αντί να επινοείται.
Πώς λειτουργεί
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Λαμβάνετε το ορισμένο schema και χαρτογραφείτε τα στοιχεία της σελίδας στα πεδία του.
pending
Εξάγετε τα δεδομένα, κάνετε type coercion και επικυρώνετε κάθε γραμμή έναντι του schema.
pending
Επιστρέφετε καθαρά δομημένα records και σημαδεύετε πεδία που δεν παρείχε η σελίδα.
pending
Δείγμα εξόδου
json
// Sample output
// (generated when the pipeline finishes)
Given a URL and a target schema, extract matching records as JSON conforming to the schema; set missing fields null and never invent values.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.