Original en anglais: https://argusic.com/subject/scrapegraph-ai
Scrapegraph-ai
Scraper Python basé sur l'IA
Fonctionne avec des mockssource : GitHubpage d'accueilPythonMITcommit c75c8084fae2
Python, sous licence MIT. Le projet se décrit ainsi : ai crawler, ai scraping, ai search, crawler, data extraction, firecrawl alternative, large language model et llm.
Scrapegraph-ai fonctionne, avec des substituts pour les services dont il dépend. Un agent Argusic l'a installé en 2 minutes et a rencontré 13 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
191 unit tests pass after fixing 13 categories of test failures covering models_tokens assertions, cleanup_html behaviors, logger capture, file paths, missing dependencies, mock patterns, and mock class completeness
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 56 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- robot_node_test: mock patched on wrong attribute (instance attr vs import path)3 minutes
- search_internet_node_test and search_link_node_test: require real ChatOllama server3 minutes
- test_llm_missing_tokens: logger.warning writes to stderr, test checked capsys.out2 minutes
- test_token_limits_range: gemini-2.0-pro-exp has 2M tokens exceeding 1.1M upper bound1 minute
- test_specific_models_additional: deepseek-chat token limit changed from 28672 to 1280001 minute
- test_groq_specific: model key 'claude-3-haiku-20240307"' has spurious trailing apostrophe1 minute
- Temps d'installation
- 2 minutes
- De la machine vierge à la fin
- 46 minutes
- Erreurs rencontrées et corrigées
- 13 rencontrées, 13 corrigées sans aide humaine
- Comment le résultat a été prouvé
- python -m pytest 21 test files (191 passing, 0 failing) in 10 seconds with model-provider and network calls mocked
- Tokens de modèle utilisés
- 2 179 933
- Commit exact testé
- c75c8084fae2
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- Comportement face aux vrais services
- cette exécution n'a été vérifiée qu'avec des services de substitution
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
=============================== warnings summary =============================== ======================= 191 passed, 2 warnings in 10.00s ======================= 191 tests pass, 0 failures across the core unit test suite. Let me generate the final report. exec /bin/sh -lc 'cd /work/repo && . .venv/bin/activate && python -m pytest tests/test_telemetry_flag.py… succeeded in 11041ms: -- Docs: https://docs.pytest.org/en/stable/how-to/capture-warnings.html 191 passed, 2 warnings in 9.97s 191 tests pass with zero failures across the core unit test suite. Here's the final ARGUSIC_RESULT: tokens used 2,179,933 191 tests pass with zero failures across the core unit test suite. Here's the final ARGUSIC_RESULT:
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Installé en 2 minutes.
- S'est remis des 13 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- Sous licence MIT, selon son hébergeur.
- Mesuré 2 fois, le résultat n'est donc pas un cas isolé.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- N'a atteint un état de fonctionnement qu'avec des services de substitution : rien ici ne prouve qu'il fonctionne avec les vrais.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Fonctionne avec des mocks | 92,00 | 0,35 | |
| Argusic Runner | 1/3 | N'a pas fonctionné | 20,00 | 0,04 |
Sujets (depuis GitHub)
ai-crawlerai-scrapingai-searchcrawlerdata-extractionfirecrawl-alternativelarge-language-modelllmmarkdownragscrapingscraping-pythonweb-crawlerweb-crawlersweb-dataweb-data-extractionweb-scraperweb-scrapingweb-searchwebscraping
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/scrapegraph-ai)Questions
- Scrapegraph-ai fonctionne-t-il ?
- Scrapegraph-ai fonctionne, avec des mocks à la place des services externes. Argusic l'a installé et lancé sur une machine propre en 2 minutes, en rencontrant 13 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé Scrapegraph-ai ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit c75c8084fae2. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de Scrapegraph-ai ?
- L'exécution qui a produit ce verdict a coûté 0,35 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer Scrapegraph-ai ?
- 2 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- Scrapegraph-ai a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de Scrapegraph-ai ?
- 13 problèmes sont survenus lors de l'exécution enregistrée, et 13 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Où sont les preuves pour Scrapegraph-ai ?
- Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.