Original en inglés: https://argusic.com/subject/extractor
extractor
Usar LLMs para extraer datos web de manera robusta
Funciona con mocksfuente: GitHubsitio webTypeScriptApache-2.0commit c9edd2bf363e
TypeScript, licencia Apache-2.0. El proyecto se describe a sí mismo como: ai agents, article extractor, crawler, data engineering, data pipeline, ecommerce scraping, etl y google gemini.
extractor funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 0,1 minutos y encontró 1 error en una máquina limpia sin GPU, y toda la sesión quedó grabada.
npm install builds successfully, 84 unit tests pass, 63 html-to-markdown integration tests pass with real ground-truth data, all LLM extraction integration tests pass with mocked providers, processedContent tests pass; Playwright browser tests fail at import on Node 18
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 72 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Playwright MCP bundle requires Node 20+ ESM VM API (Node 18 present) - browser-extraction tests fail at import
- Tiempo de instalación
- menos de un minuto
- De máquina en frío a terminar
- 39 minutos
- Errores encontrados y corregidos
- 1 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- npm test returned 165 passed, 1 failed (the 1 failure is Node 18 ESM incompatibility with Playwright, not a code bug)
- Tokens de modelo usados
- 916.435
- Commit exacto probado
- c9edd2bf363e
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
The only unresolved failure is the Playwright browser test which requires Node 20+ for ESM VM API s… tokens used 916,435 **Test Summary (final)** - **Unit tests**: 3 suites, **84 passed** (converters, extractors, schemaUtils) - **Integration tests**: - `html-to-markdown`: **63 passed** (real HTML/markdown conversion verified against ground-truth … - `extract`: **all passed** (mocked LLM providers via `@langchain/openai` and `@langchain/google-… - `processedContent`: **3 passed** (TXT, MARKDOWN, HTML format content verification with mocked L… - `browser-extraction`: **2 failed** (Node 18 ESM incompatibility with Playwright's MCP bundle — … - **Overall**: 165 passed, 1 failed, 7 test suites The only unresolved failure is the Playwright browser test which requires Node 20+ for ESM VM API s…
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 0,1 minutos, más rápido que la mediana de los 110 proyectos comparables que ha medido Argusic.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Encontró 1 error durante la instalación, que quedó sin resolver.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 111 proyectos de ai-agents que Argusic ha instalado y cronometrado, extractor fue el 3.º más rápido en llegar a funcionar, y 83 de 111 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 72,00 | 0,22 |
Temas (de GitHub)
ai-agentsarticle-extractorcrawlerdata-engineeringdata-pipelineecommerce-scrapingetlgoogle-geminihtml-parserhtml-to-markdownllmllm-extractionllm-scrapermarkdownnlpopenairagweb-data-extractionweb-extractionwebscraping
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/extractor)Preguntas
- ¿Funciona extractor?
- extractor funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 0 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic extractor?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit c9edd2bf363e. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar extractor?
- La ejecución que produjo este veredicto costó 0,22 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda extractor en instalarse?
- 0,1 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita extractor una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar extractor?
- En la ejecución registrada falló 1 cosa. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara extractor con las alternativas?
- De los 111 proyectos de ai-agents que Argusic ha instalado y cronometrado, extractor fue el 3.º más rápido en llegar a funcionar, y 83 de 111 llegaron a funcionar.
- ¿Dónde está la evidencia de extractor?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.