Zum Hauptinhalt springen

Inhaltsextraktion

Otto extrahiert Seiteninhalt aus einem live Browser-Tab unter Verwendung der eigenen Chrome-Sitzung des Benutzers. Das macht es für Agenten besser geeignet als Remote-Scraping oder Browser-Farmen, da der Inhalt von der echten Seite stammt, wie sie für den Benutzer gerendert wurde.

Wie es funktioniert​

Wenn ein Agent oder Controller otto extract-content aufruft, leitet Otto die Anfrage über das Relay an die Erweiterung weiter, die am Ziel-Tab angehängt ist. Die Erweiterung führt die Extraktion direkt in der Browser-Laufzeit aus und verwendet die live DOM der Seite und den aktuellen Sitzungszustand.

Das bedeutet, Otto extrahiert von der finalen gerenderten Seite nach JavaScript-Ausführung, Benutzerauthentifizierung und nachgeladenem Inhalt.

Unterstützte Formate​

Otto unterstützt mehrere Extraktionsausgaben, sodass Automatisierungsworkflows die richtige Form für die Aufgabe wählen können:

  • markdown — browsersicheres Markdown, das Überschriften, Listen, Links, Inline-Code und Tabellenstruktur erhält. Dies ist der Standard und am besten für Agenten-Verarbeitung geeignet.
  • clean_html — DOM-erhaltendes HTML mit entfernten Skripten/Styles/Inline-Handlern, während semantische Attribute (data-*, aria-*, role) erhalten bleiben. Dies ist das beste Format für Selektor-Discovery und Befehlsautorenschaft.
  • distilled_html — inhaltssentriertes HTML für leserlichkeitsorientierte Extraktionsabläufe.
  • raw_html — vollständiges HTML aus dem aktuellen DOM, einschließlich Seiten-Chrome und Skript/Style-Tags.
  • text — reine Text-Extraktion für Zusammenfassungen oder schnelle Inhaltsprüfungen.

Welches Format sollte ich verwenden?​

  • Verwenden Sie markdown für Zusammenfassungen und LLM-Verarbeitung.
  • Verwenden Sie clean_html für DOM-Inspektion und zuverlässigen Selektorbau.
  • Verwenden Sie distilled_html nur, wenn Sie speziell artikelartigen bereinigten Inhalt wünschen.
  • Verwenden Sie raw_html nur, wenn Sie genaue Seitenmarkierungstreue benötigen.
  • Verwenden Sie text für schnelle reine Text-Prüfungen.

Warum es für Agenten wichtig ist​

  • Kostenlos und lokal — Extraktion läuft im eigenen Browser des Benutzers. Kein externer Scraping-Dienst, keine Remote-Cloud-Browser-Farm, keine zusätzlichen Seitenabrufe.
  • Schnell — Der Browser-Node hat die Seite bereits geladen, sodass Otto den Inhalt sofort aus dem live Tab extrahieren kann, anstatt ihn aus einer Remote-Anfrage neu zu erstellen.
  • Genau — Die Extraktion sieht das tatsächliche gerenderte DOM, einschließlich dynamischem Inhalt, clientseitigem Zustand und seitenpezifischer Seitenzusammensetzung.
  • Agenten-bereit — Markdown-Ausgabe ist für LLM-Verarbeitung optimiert und hält Struktur und Lesbarkeit bei, während Token-Overhead minimiert wird.

Befehle​

Verwenden Sie den hochstufigen Extraktionsbefehl:

# Am besten für Selektor-Discovery und Automatisierungsautorenschaft
otto extract-content https://example.com/article --format clean_html

# Am besten für Agenten-Zusammenfassungen (Standard)
otto extract-content https://example.com/article --format markdown

Im Inneren ordnet dies Otto Browser-DOM-Extraktionsprimitiven zu:

  • primitive.dom.extract_markdown
  • primitive.dom.extract_clean_html
  • primitive.dom.extract_distilled_html
  • primitive.dom.extract_html
  • primitive.dom.extract_text

Siehe auch​