llm-scraper入门指南 - 基于LLM的网页结构化数据提取工具

llm-scraper

llm-scraper简介

llm-scraper是一个强大的TypeScript库,能够利用大语言模型(LLM)从任意网页中提取结构化数据。它的核心特性包括:

支持本地(Ollama, GGUF)、OpenAI、Vercel AI SDK等多种LLM提供商
使用Zod定义数据模式,实现完整的TypeScript类型安全
基于Playwright框架实现浏览器自动化
支持流式输出对象
新增代码生成功能
提供4种格式化模式:HTML、Markdown、纯文本和图像截图

快速入门

安装依赖:

npm i zod playwright llm-scraper

初始化LLM:

以OpenAI为例:

import { openai } from '@ai-sdk/openai'

const llm = openai.chat('gpt-4o')

创建scraper实例:

import LLMScraper from 'llm-scraper'

const scraper = new LLMScraper(llm)

使用示例

下面是一个从Hacker News提取热门故事的示例:

import { chromium } from 'playwright'
import { z } from 'zod'
import { openai } from '@ai-sdk/openai'
import LLMScraper from 'llm-scraper'

// 启动浏览器
const browser = await chromium.launch()

// 初始化LLM
const llm = openai.chat('gpt-4o')

// 创建scraper实例
const scraper = new LLMScraper(llm)

// 打开新页面
const page = await browser.newPage()
await page.goto('https://news.ycombinator.com')

// 定义提取模式
const schema = z.object({
  top: z
    .array(
      z.object({
        title: z.string(),
        points: z.number(),
        by: z.string(),
        commentsURL: z.string(),
      })
    )
    .length(5)
    .describe('Top 5 stories on Hacker News'),
})

// 运行scraper
const { data } = await scraper.run(page, schema, {
  format: 'html',
})

// 输出结果
console.log(data.top)

await page.close()
await browser.close()

高级功能

流式输出

使用stream函数替代run可以获得部分对象流(仅Vercel AI SDK支持):

const { stream } = await scraper.stream(page, schema)

for await (const data of stream) {
  console.log(data.top)
}

代码生成

generate函数可以生成可重用的Playwright脚本:

const { code } = await scraper.generate(page, schema)
const result = await page.evaluate(code)
const data = schema.parse(result)

console.log(data.news)

llm-scraper为开发者提供了一种强大而灵活的方式来从网页中提取结构化数据。无论是构建web爬虫、数据分析工具还是自动化测试,llm-scraper都能大大简化这些任务的实现。欢迎访问项目GitHub页面了解更多信息,并为这个开源项目做出贡献。

llm-scraper示例图