Skip to main content
مهارة استخراج البيانات من الويب

مهارة وكيل · قراءة دقيقتين

مهارة استخراج البيانات من الويب

مهارة لوكلاء الذكاء الاصطناعي في Claude وCodex تحوّل المواقع العامة أو المصرّح بها وواجهات البرمجة والخلاصات والمستندات إلى مجموعات بيانات نظيفة ومُتحقَّق منها، مع مصدر لكل سجل وتقرير جودة لكل عملية تشغيل.

مجانًايعمل مع Claude Code وتطبيقات Claude وCodex

معاينة مجانية

Most scraping code written by an AI agent works exactly once. It launches a browser for a page that didn't need one, sleeps for five seconds, zips a list of titles against a list of prices, and silently drops whatever failed. Next week the site renames a class and the dataset quietly fills with nulls.

Web Scraping & Data Extraction teaches your agent to build extractors the way a senior data engineer would: the cheapest reliable source first, a schema before the first request, and a quality report at the end.

Why agent scrapers break

  • They reach for a headless browser on static pages.
  • They use brittle selectors like div.flex.mt-2:nth-child(3) > span.
  • They retry forever, or not at all.
  • They treat a 200 response as success even when it is a login page or a bot challenge.
  • They lose track of where each value came from.

How the skill works

  1. Define the data contract — what one record is, every field's type, and how it is validated.
  2. Pick the source from an eight-level ladder: official API, downloadable file, embedded structured data, feeds and sitemaps, static HTML, client-side network data, rendered DOM, and OCR only as a last resort.
  3. Crawl politely — per-site rate limits, backoff on 429 and 5xx responses, Retry-After, conditional requests and caching.
  4. Extract resiliently — semantic selectors with fallbacks, and a warning when a fallback starts doing the work.
  5. Normalise and validate — dates, currencies, phones and addresses without guessing; failed records go to quarantine instead of disappearing.
  6. Report — coverage, duplicates, failures, confidence and known gaps, with a source URL and timestamp on every record.

Before a large crawl it samples 10 records, then 100, and checks the distributions — because 98% of prices suddenly reading 0 is a parser failure, not a sale.

Ready for real pipelines

Resumable crawls, incremental re-crawls, change detection, schema-drift alerts and canary checks, plus guidance for Requests, BeautifulSoup, Scrapy and Playwright — including when not to use them. Field recipes cover ecommerce, jobs, business directories, news, property listings, company websites and contacts.

Who it's for

Developers and analysts who use Claude Code or Codex to build datasets, monitor prices or listings, or turn websites and PDFs into clean tables.

What it won't do

It works only with public, authorised or user-provided content. No CAPTCHA solving, no proxy rotation to get around blocks, no bypassing logins, and no reproducing copyrighted articles in full. When a source is blocked, it reports it as unavailable.

البقية داخل المهارة

كان هذا الملخص. الدليل الكامل الذي يتبعه وكيلك، بكل مراحله وقواعده وصيغ مخرجاته، موجود في ملف التنزيل.

ما يحصل عليه وكيلك

  • يختار أقل المصادر تكلفة وأكثرها موثوقية، من واجهات البرمجة إلى HTML، ولا يستخدم المتصفح إلا عند الحاجة
  • ضبط سرعة الطلبات لكل موقع، وإعادة المحاولة مع التباطؤ التدريجي، وزحف قابل للاستئناف
  • التحقق وإزالة التكرار، مع مصدر ووقت استخراج لكل سجل
  • يتعامل مع صفحات JavaScript والتصفح بين الصفحات وملفات PDF وجداول البيانات والتعرّف الضوئي على النصوص
  • وصفات جاهزة للمتاجر الإلكترونية والوظائف والأدلة التجارية والأخبار والعقارات ومواقع الشركات
  • تقرير جودة يوضح التغطية والإخفاقات والفجوات المعروفة
محتويات الحزمة15 ملفًا
  • SKILL.mdالمبادئ، والأوضاع، وعقد البيانات، وسياسة الوصول، والتخطيط، والمخرجات المطلوبة، وشجرة القرار
  • references/sources-and-crawling.mdسلّم المصادر، واكتشاف الروابط، والجلب، وإعادة المحاولة، وضبط السرعة، والتخزين المؤقت، وخرائط المواقع
  • references/html-and-structured-extraction.mdمحددات مرنة، وJSON-LD، والجداول، والبطاقات، والاستخراج بمساعدة النماذج اللغوية
  • references/browser-and-dynamic-pages.mdالعرض، والانتظار، والتمرير اللانهائي، والتصفح بين الصفحات، والمصادقة، والتحديات، وScrapy وPlaywright
  • references/documents-and-files.mdملفات PDF وCSV/XLSX، والتعرّف الضوئي، والملفات الكبيرة، وأمان التنزيل
  • references/normalization-and-quality.mdالتوحيد، وإزالة التكرار، والتحقق، وتتبع المصادر، وأخذ العينات، والدمج
  • references/operations-and-monitoring.mdانحراف البنية، وفحوصات الإنذار المبكر، والاختبارات، والاستئناف، ورصد التغييرات، والبنية
  • references/domain-recipes.mdالمتاجر، والوظائف، والأدلة التجارية، والأخبار، والعقارات، ومواقع الشركات، وجهات التواصل
  • references/output-and-compliance.mdتقرير الجودة، وصيغ المخرجات، وأمان CSV، والبيانات الشخصية، والشروط، وقوائم التحقق
  • references/source-register.mdحقائق مؤرّخة عن البروتوكولات والمعايير، مع مصادرها
  • examples/partial-catalogue-run.mdعملية تشغيل جزئية مكتملة على متجر خيالي، مع سجلات معزولة وفجوة تغطية معلنة بصدق
  • assets/templates/job.yamlتعريف المهمة: عقد البيانات، والنطاق، والحدود، والتحقق، والمخرجات
  • README.mdخطوات التثبيت لـ Claude Code وتطبيقات Claude وCodex، والمتطلبات وأمثلة على الطلبات
  • CHANGELOG.mdما تغيّر في كل إصدار
  • LICENSE.txtشروط الترخيص: مجانية للاستخدام داخل منشأتك
مجانًا

أدخل بريدك الإلكتروني ويبدأ تنزيل ملف ZIP فورًا، ونرسل إليك نسخة من الرابط أيضًا.

مجانية للاستخدام والتعديل داخل منشأتك. يُرجى عدم إعادة نشر الملفات أو بيعها.

التفاصيل

يعمل مع
Claude Code وتطبيقات Claude وOpenAI Codex وأي وكيل يدعم SKILL.md
المتطلبات
جلب صفحات الويب؛ وتنفيذ الشيفرة ومتصفح للمهام الكبيرة أو الصفحات المعتمدة على JavaScript
الصيغة
SKILL.md و9 ملفات مرجعية ومثال تطبيقي وقالب للبدء (ZIP)
الإصدار
1.1.2
السعر
مجانًا ببريدك الإلكتروني
الترخيص
للاستخدام داخل منشأتك، دون إعادة توزيع علنية

أسئلة

مع أي وكلاء تعمل؟

مع Claude Code وتطبيقات Claude (الويب وسطح المكتب) وOpenAI Codex، وأي وكيل يدعم صيغة SKILL.md. يتضمن الملف المضغوط خطوات التثبيت لكل منها.

ماذا يحتاج وكيلي؟

جلب صفحات الويب للمهام الصغيرة. ولصفحات JavaScript والزحف الأكبر: القدرة على تشغيل الشيفرة وأداة متصفح أو Playwright. وللمهام المتكررة: مستودع لبناء أداة الزحف.

ماذا أستلم بالضبط؟

ملفًا مضغوطًا (ZIP) يحتوي على مجلد المهارة: ملف SKILL.md وملفاته المرجعية، ومثالًا تطبيقيًا، وقالبًا جاهزًا للبدء، وملف README بخطوات التثبيت، وسجل التغييرات، والترخيص. يبدأ التنزيل فور إدخال بريدك الإلكتروني، ونرسل إليك نسخة من الرابط.

هل هي مجانية فعلًا؟

نعم. لا دفع ولا بطاقة. نطلب بريدك الإلكتروني لنرسل إليك رابط التنزيل، وقد نتواصل معك بخصوص المهارة. إذا لم يعمل التنزيل، راسلنا على support@octivex.tech.

هل يمكن لفريقي استخدامها؟

نعم. استخدمها وعدّلها في أي مكان داخل منشأتك، بما في ذلك المستودعات الداخلية الخاصة ومكتبات المهارات لفريقك. يُرجى عدم بيعها أو إعادة نشرها علنًا.

مهارات أخرى

كل المهارات