Ferramenta de Extração Scrapegraph

ScrapegraphScrapeTool

Descrição

A ScrapegraphScrapeTool foi projetada para utilizar a API SmartScraper da Scrapegraph AI e extrair conteúdo de sites de maneira inteligente. Esta ferramenta oferece recursos avançados de web scraping com extração de conteúdo potencializada por IA, tornando-se ideal para coleta de dados direcionada e tarefas de análise de conteúdo. Diferente dos scrapers tradicionais, ela entende o contexto e a estrutura das páginas da web para extrair as informações mais relevantes, com base em instruções em linguagem natural.

Instalação

Para utilizar esta ferramenta, é necessário instalar o cliente Python do Scrapegraph:

uv add scrapegraph-py

Você também precisa definir sua chave de API do Scrapegraph como uma variável de ambiente:

export SCRAPEGRAPH_API_KEY="your_api_key"

Você pode obter uma chave de API em Scrapegraph AI.

Passos para Começar

Para usar efetivamente a ScrapegraphScrapeTool, siga estes passos:

1. Instale as dependências: Instale o pacote necessário usando o comando acima.
2. Configure a chave de API: Defina sua chave de API do Scrapegraph como variável de ambiente ou forneça-a durante a inicialização.
3. Inicialize a ferramenta: Crie uma instância da ferramenta com os parâmetros necessários.
4. Defina instruções de extração: Crie prompts em linguagem natural para guiar a extração de conteúdos específicos.

Exemplo

O exemplo a seguir demonstra como usar a ScrapegraphScrapeTool para extrair conteúdo de um site:

from crewai import Agent, Task, Crew
from crewai_tools import ScrapegraphScrapeTool

# Initialize the tool
scrape_tool = ScrapegraphScrapeTool(api_key="your_api_key")

# Define an agent that uses the tool
web_scraper_agent = Agent(
    role="Web Scraper",
    goal="Extract specific information from websites",
    backstory="An expert in web scraping who can extract targeted content from web pages.",
    tools=[scrape_tool],
    verbose=True,
)

# Example task to extract product information from an e-commerce site
scrape_task = Task(
    description="Extract product names, prices, and descriptions from the featured products section of example.com.",
    expected_output="A structured list of product information including names, prices, and descriptions.",
    agent=web_scraper_agent,
)

# Create and run the crew
crew = Crew(agents=[web_scraper_agent], tasks=[scrape_task])
result = crew.kickoff()

Você também pode inicializar a ferramenta com parâmetros pré-definidos:

# Initialize the tool with predefined parameters
scrape_tool = ScrapegraphScrapeTool(
    website_url="https://www.example.com",
    user_prompt="Extract all product prices and descriptions",
    api_key="your_api_key"
)

Parâmetros

A ScrapegraphScrapeTool aceita os seguintes parâmetros durante a inicialização:

• api_key: Opcional. Sua chave de API do Scrapegraph. Se não for fornecida, será procurada a variável de ambiente SCRAPEGRAPH_API_KEY.
• website_url: Opcional. A URL do site a ser extraído. Se fornecida na inicialização, o agente não precisa especificá-la ao usar a ferramenta.
• user_prompt: Opcional. Instruções customizadas para extração de conteúdo. Se fornecida na inicialização, o agente não precisa especificá-la ao usar a ferramenta.
• enable_logging: Opcional. Define se o registro (logging) na Scrapegraph deve ser ativado. O padrão é False.

Uso

Ao usar a ScrapegraphScrapeTool com um agente, será necessário fornecer os seguintes parâmetros (a menos que tenham sido especificados durante a inicialização):

• website_url: A URL do site a ser extraída.
• user_prompt: Opcional. Instruções customizadas para extração de conteúdo. O padrão é “Extract the main content of the webpage”.

A ferramenta retornará o conteúdo extraído com base no prompt fornecido.

# Example of using the tool with an agent
web_scraper_agent = Agent(
    role="Web Scraper",
    goal="Extract specific information from websites",
    backstory="An expert in web scraping who can extract targeted content from web pages.",
    tools=[scrape_tool],
    verbose=True,
)

# Create a task for the agent to extract specific content
extract_task = Task(
    description="Extract the main heading and summary from example.com",
    expected_output="The main heading and summary from the website",
    agent=web_scraper_agent,
)

# Run the task
crew = Crew(agents=[web_scraper_agent], tasks=[extract_task])
result = crew.kickoff()

Tratamento de Erros

A ScrapegraphScrapeTool pode lançar as seguintes exceções:

• ValueError: Quando a chave da API está ausente ou o formato da URL é inválido.
• RateLimitError: Quando o limite de requisições da API é excedido.
• RuntimeError: Quando a operação de extração falha (problemas de rede, erros da API).

Recomenda-se instruir os agentes a lidarem com potenciais erros de forma apropriada:

# Create a task that includes error handling instructions
robust_extract_task = Task(
    description="""
    Extract the main heading from example.com.
    Be aware that you might encounter errors such as:
    - Invalid URL format
    - Missing API key
    - Rate limit exceeded
    - Network or API errors

    If you encounter any errors, provide a clear explanation of what went wrong
    and suggest possible solutions.
    """,
    expected_output="Either the extracted heading or a clear error explanation",
    agent=web_scraper_agent,
)

Limitações de Taxa

A API do Scrapegraph possui limites de requisição que variam conforme o seu plano de assinatura. Considere as seguintes boas práticas:

• Implemente atrasos apropriados entre requisições ao processar múltiplas URLs.
• Trate erros de limite de requisição de forma apropriada em sua aplicação.
• Verifique os limites do seu plano de API no painel do Scrapegraph.

Detalhes de Implementação

A ScrapegraphScrapeTool utiliza o cliente Python do Scrapegraph para se comunicar com a API SmartScraper:

class ScrapegraphScrapeTool(BaseTool):
    """
    A tool that uses Scrapegraph AI to intelligently scrape website content.
    """

    # Implementation details...

    def _run(self, **kwargs: Any) -> Any:
        website_url = kwargs.get("website_url", self.website_url)
        user_prompt = (
            kwargs.get("user_prompt", self.user_prompt)
            or "Extract the main content of the webpage"
        )

        if not website_url:
            raise ValueError("website_url is required")

        # Validate URL format
        self._validate_url(website_url)

        try:
            # Make the SmartScraper request
            response = self._client.smartscraper(
                website_url=website_url,
                user_prompt=user_prompt,
            )

            return response
        # Error handling...

Conclusão

A ScrapegraphScrapeTool oferece uma maneira poderosa de extrair conteúdo de sites utilizando o entendimento do formato das páginas pela IA. Ao permitir que os agentes direcionem informações específicas por meio de prompts em linguagem natural, ela torna tarefas de web scraping mais eficientes e focadas. Esta ferramenta é especialmente útil para extração de dados, monitoramento de conteúdo e pesquisas em que informações específicas precisam ser extraídas de páginas web.