英文原文: https://argusic.com/subject/extractor
extractor
使用 LLM 稳健地提取 Web 数据
借助 mock 可运行来源：GitHub项目主页TypeScriptApache-2.0commit c9edd2bf363e
TypeScript，Apache-2.0 许可证. 项目的自我描述：ai agents、article extractor、crawler、data engineering、data pipeline、ecommerce scraping、etl 和 google gemini.
extractor 可以运行，其依赖的服务由替身代替。一个 Argusic agent 在一台没有 GPU 的干净机器上用 0.1 分钟完成了安装，遇到 1 个错误，整个会话都被记录了下来。
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
agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式
每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 72，满分 100（该项目各次运行得分的平均值）。
概览
项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。
测量了什么
来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。
哪里出了问题，用 agent 自己的话说
agent 的原话，最严重的排在最前，从不改写成建议。
- Playwright MCP bundle requires Node 20+ ESM VM API (Node 18 present) - browser-extraction tests fail at import
- 安装时间
- 不到一分钟
- 从冷启动机器到完成
- 39 分钟
- 遇到并修复的错误
- 遇到 1 个，在无人协助的情况下修复了 0 个
- 结果是如何证明的
- npm test returned 165 passed, 1 failed (the 1 failure is Node 18 ESM incompatibility with Playwright, not a code bug)
- 使用的模型 token
- 916,435
- 测试的确切 commit
- c9edd2bf363e
- 容器镜像
- sha256:cdd920bce783
没有测量什么
另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。
- GPU 显存峰值
- 本次运行在 CPU 机器上进行，没有可采样的 GPU
- 长时间运行的表现
- 每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现
- 对接真实服务的表现
- 本次运行只对照替身服务进行了验证
录屏的结尾
决定该结论的终端会话的最后几行，与录制时完全一致。
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…
回放完整会话，从干净的机器到此刻的每一条命令。
测试方式
一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.
优势与局限
均为实测事实，而非观点。内容是如何撰写的.
顺利的部分
- 用 0.1 分钟完成安装，快于 Argusic 测量过的 110 个同类项目的中位数。
- 采用 Apache-2.0 许可证，以其托管平台报告的信息为准。
不顺利或尚不清楚的部分
- 只在替身服务下达到了运行状态，因此这里没有任何内容能证明它在真实服务下可以工作。
- 搭建过程中遇到 1 个错误，其中 1 个没有解决。
- 目前只测量过一次。单次尝试只能说明它可以运行，不能说明它能稳定运行。
在 Argusic 安装并计时过的 111 个 ai-agents 项目中，extractor 达到运行状态的速度排名第 3，111 个项目中有 83 个达到了运行状态。
同一领域中也测试过的项目
这里的每个项目都由 Argusic 在干净的机器上安装并运行过。未经测试的项目不会出现在这里。
运行历史
| 测试者 | 尝试 | 结果 | 评分 | 成本 USD | 时间 |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | 借助 mock 可运行 | 72.00 | 0.22 |
主题 (来自 GitHub)
ai-agentsarticle-extractorcrawlerdata-engineeringdata-pipelineecommerce-scrapingetlgoogle-geminihtml-parserhtml-to-markdownllmllm-extractionllm-scrapermarkdownnlpopenairagweb-data-extractionweb-extractionwebscraping
嵌入徽章
用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.
[](https://argusic.com/subject/extractor)常见问题
- extractor 能运行吗？
- extractor 可以运行，外部服务由 mock 代替. Argusic 在一台干净的机器上安装并启动了它，用时 0 分钟，过程中遇到 1 个错误，并记录了整个会话。
- Argusic 是如何测试 extractor 的？
- 在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit c9edd2bf363e。共记录了 1 次尝试，完整方法见方法论页面。
- 测试 extractor 花了多少钱？
- 得出该结论的那次运行花费 0.22 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
- extractor 安装需要多长时间？
- 在决定该结论的那次运行中，从干净的机器到运行状态用了 0.1 分钟。这是一次实测的尝试，不是平均值。
- extractor 需要 GPU 吗？
- 启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
- 安装 extractor 时会出现什么问题？
- 已记录的运行中出现了 1 个问题。每个问题及其耗费的时间都列在本页上。
- extractor 与其他替代方案相比如何？
- 在 Argusic 安装并计时过的 111 个 ai-agents 项目中，extractor 达到运行状态的速度排名第 3，111 个项目中有 83 个达到了运行状态。
- extractor 的证据在哪里？
- 这次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。