Original en anglais: https://argusic.com/subject/trafilatura
trafilatura
Outil Python et en ligne de commande pour collecter du texte et des métadonnées sur le Web: exploration, scraping, extraction, sortie en CSV, JSON, HTML, MD, TXT, XML
Fonctionnesource : GitHubpage d'accueilPythonApache-2.0commit c852cae9708a
Python, sous licence Apache-2.0. Le projet se décrit ainsi : article extractor, corpus builder, corpus tools, crawler, html to markdown, html2text, llm et news aggregator.
trafilatura fonctionne. Un agent Argusic l'a installé en 5,7 minutes et a rencontré 1 erreur, corrigée sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
Trafilatura 2.2.0 is installed in editable mode in a .venv, all 428 tests pass, and both CLI and Python extraction work correctly on sample HTML input.
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 100 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.
- trafilatura CLI binary not on PATH when tests ran subprocess(['trafilatura', '--help'])0,5 minute
- Temps d'installation
- 6 minutes
- De la machine vierge à la fin
- 6 minutes
- Erreurs rencontrées et corrigées
- 1 rencontrée, 1 corrigée sans aide humaine
- Comment le résultat a été prouvé
- pytest tests/ exited 0: 428 passed, 5 skipped. CLI `trafilatura --help` returned 0. `echo '<html><body><article><h1>Test</h1><p>Content.</p></article></body></html>' | trafilatura` printed 'Test\nContent.'. Python API extract() correctly returned title, text, and JSON metadata.
- Tokens de modèle utilisés
- 25 683
- Commit exact testé
- c852cae9708a
- 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
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.
- Version confirmed: `2.2.0` tokens used 25,683 Here's the full summary of what happened: **Install:** `pip install -e ".[dev]"` succeeded on first try — all pinned dependencies resolved cl… **Error encountered & fixed:** The test `test_climain` failed initially because the `trafilatura` C… **Test results:** `428 passed, 5 skipped` across the full test suite (433 collected). The 5 skipped… **Verified behavior:** - CLI `--help` displays correctly - `echo '<html>...' | trafilatura` extracts clean text from stdin (output: `Test\nContent here.`) - Python API `extract()` returns correct text, and `extract(output_format='json', with_metadata=Tru… - Version confirmed: `2.2.0`
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
- A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
- Installé en 5,7 minutes.
- S'est remis de 1 erreur sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
- Sous licence Apache-2.0, selon son hébergeur.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.
Pour quoi c'est un choix raisonnable
- L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.
- Une évaluation rapide : il fonctionnait 5,7 minutes après le clone.
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 | 1/3 | Fonctionne | 100,00 | 0,02 |
Sujets (depuis GitHub)
article-extractorcorpus-buildercorpus-toolscrawlerhtml-to-markdownhtml2textllmnews-aggregatornews-crawlernlpragreadabilityrss-feedscrapingteitext-cleaningtext-extractiontext-miningtext-preprocessingweb-scraping
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/trafilatura)Questions
- trafilatura fonctionne-t-il ?
- Oui. trafilatura fonctionne. Argusic l'a installé et lancé sur une machine propre en 6 minutes, en rencontrant 1 erreur en route, et a enregistré la session.
- Comment Argusic a-t-il testé trafilatura ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit c852cae9708a. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de trafilatura ?
- L'exécution qui a produit ce verdict a coûté 0,02 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 trafilatura ?
- 5,7 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.
- trafilatura 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 trafilatura ?
- 1 problème est survenu lors de l'exécution enregistrée, et 1 a été corrigé sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Où sont les preuves pour trafilatura ?
- L'exécution enregistrée se trouve 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.