Otto vs. Jina Inhaltsextraktion

Diese Seite dokumentiert einen praktischen Vergleich zwischen zwei Extraktionsansätzen:

• Otto — Browser-DOM-Extraktion aus einer live Chrome-Sitzung über otto extract-content
• Jina — Remote-Seitenabruf und -Parse über https://r.jina.ai/<url>

Der Vergleich verwendet drei repräsentative URLs und erfasst sowohl rohe Ausgaben als auch Leistungsmetriken.

Methodik

Für jede URL haben wir ausgeführt:

• otto extract-content <url> --json
• curl -s "https://r.jina.ai/<url>" -w '\nTIME_TOTAL:%{time_total}\n'

Dieser Test ließ bewusst einen API-Schlüssel weg und verwendet den anonymen r.jina.ai-Endpunkt. Jina-Antwortzeiten können zwischengespeichert werden, daher wird in diesem Vergleich nur die Dauer der ersten Anfrage verwendet.

Rohe Ausgabedateien wurden unter docs/guides/outputs/ gespeichert:

• otto_<slug>.json
• jina_<slug>.json

Dieser Vergleich konzentriert sich auf:

• Extraktionsinhaltqualität
• UI/Lärm-Entfernung
• Kommentar/Thread-Erfassung
• Anfragedauer
• Seitenspezifische Abdeckung und Blockierverhalten

Jina-Ratenlimit-Kontext

Jina setzt Ratenlimits in zwei Dimensionen durch:

• RPM — Anfragen pro Minute
• TPM — Token pro Minute

Limits werden pro IP oder pro API-Schlüssel durchgesetzt, welcher Schwellenwert zuerst erreicht wird. Anonyme Anfragen werden nach IP verfolgt; authentifizierte Anfragen werden nach Schlüssel verfolgt.

Das Dashboard listet endpunktspezifische Limits auf wie:

• Reader API (https://r.jina.ai): URL-zu-LLM-freundlicher-Text-Extraktion mit anonymen und authentifizierten Ratenlimits.
• Search API (https://s.jina.ai): Websuche + Parse mit festen Token-Kosten.
• Embedding API (https://api.jina.ai/v1/embeddings): Sowohl RPM als auch TPM gelten, mit Token-Verwendung basierend auf der Eingabegröße.
• Reranker API (https://api.jina.ai/v1/rerank): Auch RPM + TPM.
• Classifier APIs (/v1/train, /v1/classify): Anfrage- und Token-Budgets gelten mit separaten Few-Shot- und Zero-Shot-Limits.
• Segmenter API (/v1/segment): Anfragelimitiert und Token-Verwendung wird nicht gezählt.
• DeepSearch (https://deepsearch.jina.ai/v1/chat/completions): Konversationssuche mit separatem RPM-Budget.

Diese Limits sind relevant, weil Jina ein gehosteter Remote-Dienst ist, während Otto die Extraktion im eigenen Browser des Benutzers durchführt.

1. LinkedIn-Beitrag

URL: https://www.linkedin.com/posts/techstars_ny-tech-week-were-coming-for-you-whether-activity-7454971517832011776-fXua

Otto-Ergebnis

• durationMs: 3009
• contentLength: 7821
• Ausgabe: bereinigte Markdown-Extraktion des Beitragsinhalts und sichtbarer Seitenelemente.
• Anmerkungen: Otto erzeugte DOM-basiertes Markdown aus der live Browser-Seite.

Jina-Ergebnis

• time_total: 4.638154
• Ausgabe: ein gemischtes Gästeseiten-Ergebnis als Markdown gekennzeichnet, aber immer noch LinkedIn-Anmeldeflow und UI-Shell-Markup enthaltend.
• Anmerkungen: Selbst ohne API-Schlüssel gab Jina einen LinkedIn-Gästeseiten-Wrapper zurück, anstatt eine saubere, destillierte Beitragsszusammenfassung.

Vergleich

Aspekt	Otto	Jina
Anfragedauer	3,01 s	4,64 s
Inhaltslänge	7.821 Zeichen	Gemischtes Gästeseiten-Markdown
Ausgabetyp	Browser-DOM-Markdown	Roher LinkedIn-Gästeseiten-Inhalt
Kommentare	N/A	N/A
UI-Lärm	Minimal	Hoch (Anmeldung/Registrierung/Navigation/Footer)
Passt am besten zu	Agenten-bereite Inhaltsextraktion	Roher Profil/Gästeseiten-Abruf

2. Reddit-Beitrag

URL: https://www.reddit.com/r/LocalLLaMA/comments/1t1lfhj/minimax_m27_awq4bit_on_2x_spark_vs_2x_rtx_6000/

Otto-Ergebnis

• durationMs: 2313
• contentLength: 27791
• Ausgabe: Markdown-Extraktion des Reddit-Threads, einschließlich Beitragsinhalt und Kommentarstruktur.
• Anmerkungen: Otto konnte die live DOM des Ziel-Reddit-Threads extrahieren.

Jina-Ergebnis

• time_total: 1.815514
• Ausgabe: eine Jina-Markdown-Fehlerseite, die anzeigt, dass Reddit 403 Forbidden zurückgegeben hat und die Anfrage blockiert wurde.
• Anmerkungen: Jina konnte den Reddit-Thread-Inhalt anonym nicht abrufen.

Vergleich

Aspekt	Otto	Jina
Anfragedauer	2,31 s	1,82 s
Inhaltslänge	27.791 Zeichen	Blockierte Fehlerseite
Ausgabetyp	Markdown-Extraktion	Blockierte/Eingeschränkte Seiten-Hinweis
Kommentare	Extrahierte Beitrags-Kommentare	Kein brauchbarer Inhalt
UI-Lärm	Niedrig	Hoch (Blockierhinweis)
Passt am besten zu	Browser-DOM-Extraktion für Community-Inhalte	Nicht zuverlässig für anonymes Reddit-Scraping

3. Blog-Beitrag

URL: https://dennishodgson.blogspot.com/2025/05/photographic-highlights-202425.html

Otto-Ergebnis

• durationMs: 3017
• contentLength: 39427
• Ausgabe: bereinigte Markdown-Extraktion des Blogartikel-Inhalts.
• Anmerkungen: Otto entfernte Seiten-Chrome und extrahierte den Artikel aus der live DOM.

Jina-Ergebnis

• time_total: 5.977519
• Ausgabe: tatsächlicher Markdown-Inhalt für den Artikel, einschließlich Text und Bildlinks.
• Anmerkungen: Jina war auf dieser Veröffentlichungsseite erfolgreich und gab einen Markdown-fähigen Artikel zurück.

Vergleich

Aspekt	Otto	Jina
Anfragedauer	3,02 s	5,98 s
Inhaltslänge	39.427 Zeichen	Markdown-Artikelinhalt
Ausgabetyp	Browser-DOM-Markdown	Markdown-fähiger Seitenextrakt
Kommentare	N/A	N/A
UI-Lärm	Minimal	Niedrig/Mittel (enthält immer noch extrahierten Navigationstext)
Passt am besten zu	Artikel-Extraktion aus live Browser-Zustand	Rohe öffentliche Blog-Extraktion

Gesamtergebnisse

• Otto ist stärker für agentenbereite Extraktion, wenn die Seite bereits im Browser geladen ist. Es liefert konsistent bereinigtes Markdown aus der live DOM.
• Jina kann für öffentliche Blogseiten funktionieren, ist aber weniger zuverlässig für Seiten mit Zugriffskontrollen oder Anti-Scraping-Schutz.
• Reddit insbesondere schlug anonym über Jina mit einer 403 Forbidden-Blockierseite fehl.
• LinkedIn über Jina gab immer noch Gästeseiten-Wrapper-Inhalt zurück, kein destilliertes Beitragspayload.
• Otto's Extraktionszeiten lagen bei 2,3–3,0 Sekunden in dieser Menge, während Jinas Erstanfragezeiten zwischen 1,8 und 6,0 Sekunden lagen.
• Nur die anfängliche Jina-Anfragezeitmessung ist hier sinnvoll. Jina puffert Ergebnisse, sodass wiederholte Aufrufe künstlich schnell erscheinen können.

Beweisdateien

Rohe Erfassungsdateien sind unter docs/guides/outputs/ verfügbar:

• otto_posts_techstars_ny-tech-week-were-coming-for-you-whether-activity-7454971517832011776-fXua.json
• jina_posts_techstars_ny-tech-week-were-coming-for-you-whether-activity-7454971517832011776-fXua.json
• otto_r_LocalLLaMA_comments_1t1lfhj_minimax_m27_awq4bit_on_2x_spark_vs_2x_rtx_6000.json
• jina_r_LocalLLaMA_comments_1t1lfhj_minimax_m27_awq4bit_on_2x_spark_vs_2x_rtx_6000.json
• otto_2025_05_photographic-highlights-202425.html.json
• jina_2025_05_photographic-highlights-202425.html.json

Diese Dateien bewahren die genauen anfänglichen Tool-Ausgaben, Zeitmessungen und jede seitenspezifischen Lärm, der während des Vergleichs beobachtet wurde.