Original em inglês: https://argusic.com/subject/extractor
extractor
Use LLMs para extrair dados da web de forma robusta.
Executa com mocksfonte: GitHubpágina do projetoTypeScriptApache-2.0commit c9edd2bf363e
TypeScript, licença Apache-2.0. O projeto se descreve como: ai agents, article extractor, crawler, data engineering, data pipeline, ecommerce scraping, etl e google gemini.
extractor executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 0,1 minutos e encontrou 1 erro, e a sessão inteira foi gravada.
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
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 72 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- Playwright MCP bundle requires Node 20+ ESM VM API (Node 18 present) - browser-extraction tests fail at import
- Tempo de instalação
- menos de um minuto
- Da máquina limpa até o fim
- 39 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- c9edd2bf363e
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 0,1 minutos, mais rápido que a mediana dos 110 projetos comparáveis que a Argusic mediu.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Encontrou 1 erro durante a configuração, 1 dos quais não foi resolvido.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, extractor foi o 3º mais rápido a chegar a um estado de execução, e 83 de 111 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 72,00 | 0,22 |
Tópicos (de GitHub)
ai-agentsarticle-extractorcrawlerdata-engineeringdata-pipelineecommerce-scrapingetlgoogle-geminihtml-parserhtml-to-markdownllmllm-extractionllm-scrapermarkdownnlpopenairagweb-data-extractionweb-extractionwebscraping
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/extractor)Perguntas
- extractor executa?
- extractor executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 0 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou extractor?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit c9edd2bf363e. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar extractor?
- A execução que produziu este veredito custou US$ 0,22: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar extractor?
- 0,1 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- extractor precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar extractor?
- 1 coisa quebrou na execução registrada. Cada uma, com o tempo que custou, está listada nesta página.
- Como extractor se compara às alternativas?
- Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, extractor foi o 3º mais rápido a chegar a um estado de execução, e 83 de 111 chegaram a esse estado.
- Onde estão as evidências de extractor?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.