Original em inglês: https://argusic.com/subject/scrapegraph-ai
Scrapegraph-ai
Raspador em Python baseado em IA
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit c75c8084fae2
Python, licença MIT. O projeto se descreve como: ai crawler, ai scraping, ai search, crawler, data extraction, firecrawl alternative, large language model e llm.
Scrapegraph-ai executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 2 minutos e encontrou 13 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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
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 56 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.
- robot_node_test: mock patched on wrong attribute (instance attr vs import path)3 minutos
- search_internet_node_test and search_link_node_test: require real ChatOllama server3 minutos
- test_llm_missing_tokens: logger.warning writes to stderr, test checked capsys.out2 minutos
- test_token_limits_range: gemini-2.0-pro-exp has 2M tokens exceeding 1.1M upper bound1 minuto
- test_specific_models_additional: deepseek-chat token limit changed from 28672 to 1280001 minuto
- test_groq_specific: model key 'claude-3-haiku-20240307"' has spurious trailing apostrophe1 minuto
- Tempo de instalação
- 2 minutos
- Da máquina limpa até o fim
- 46 minutos
- Erros encontrados e corrigidos
- 13 encontrados, 13 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- python -m pytest 21 test files (191 passing, 0 failing) in 10 seconds with model-provider and network calls mocked
- Tokens de modelo usados
- 2.179.933
- Commit exato testado
- c75c8084fae2
- 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.
=============================== 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:
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 2 minutos.
- Recuperou-se de todos os 13 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
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.
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 | 2/3 | Executa com mocks | 92,00 | 0,35 | |
| Argusic Runner | 1/3 | Não executou | 20,00 | 0,04 |
Tópicos (de GitHub)
ai-crawlerai-scrapingai-searchcrawlerdata-extractionfirecrawl-alternativelarge-language-modelllmmarkdownragscrapingscraping-pythonweb-crawlerweb-crawlersweb-dataweb-data-extractionweb-scraperweb-scrapingweb-searchwebscraping
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/scrapegraph-ai)Perguntas
- Scrapegraph-ai executa?
- Scrapegraph-ai executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 2 minutos, encontrando 13 erros no caminho, e gravou a sessão.
- Como a Argusic testou Scrapegraph-ai?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit c75c8084fae2. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar Scrapegraph-ai?
- A execução que produziu este veredito custou US$ 0,35: 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 Scrapegraph-ai?
- 2 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- Scrapegraph-ai 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 Scrapegraph-ai?
- 13 coisas quebraram na execução registrada, e 13 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de Scrapegraph-ai?
- Todas as 2 execuções registradas estão 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.