Парсинг сайтов с помощью нейронных сетей: лучшие подходы и практики

Введение: Новая эра извлечения веб-данных

От хрупких селекторов к интеллектуальному пониманию: эволюция парсинга

Традиционный веб-парсинг, на протяжении десятилетий являвшийся основным инструментом для сбора данных из сети, исторически опирался на жестко детерминированные правила. Методологии, основанные на CSS-селекторах и XPath-запросах, позволяли с высокой точностью извлекать информацию из HTML-документов, но обладали фундаментальным недостатком — хрупкостью.¹ Малейшее изменение в структуре HTML-разметки или обновление CSS-стилей целевого сайта могло привести к полному отказу парсера, требуя постоянного ручного вмешательства, отладки и поддержки. Этот непрерывный цикл обслуживания делал крупномасштабные проекты по сбору данных чрезвычайно ресурсоемкими и экономически неэффективными.³

Ситуация усугубилась с приходом эры динамических веб-приложений. Современные сайты, построенные на фреймворках, таких как React, Angular или Vue, загружают значительную часть контента асинхронно с помощью JavaScript. Для классических парсеров, работающих с исходным HTML-кодом, получаемым по HTTP-запросу, этот контент попросту невидим.⁴ Это привело к необходимости использования инструментов для рендеринга страниц в виртуальном браузере (headless browsers), таких как Selenium, Puppeteer или Playwright.⁶ Однако даже эти инструменты решали лишь проблему доступа к финальному DOM, но не задачу идентификации нужных данных в его сложной и постоянно меняющейся структуре.

Появление и развитие нейронных сетей ознаменовало парадигмальный сдвиг в подходе к извлечению данных. Вместо того чтобы полагаться на синтаксический анализ структуры документа (теги, классы, идентификаторы), нейросетевые модели обучаются понимать семантическое и визуальное содержание веб-страницы, имитируя человеческое восприятие.⁸ Такой подход по своей природе является более устойчивым к косметическим и структурным изменениям верстки, поскольку он оперирует не спецификой реализации, а конечным представлением информации.¹⁰

Определение AI-парсинга: за пределами простого извлечения текста

AI-парсинг, или интеллектуальное извлечение данных, можно определить как применение моделей машинного обучения, в частности глубоких нейронных сетей, для идентификации, извлечения и последующего структурирования информации с веб-страниц. Этот процесс основан на комплексном анализе различных модальностей страницы: ее текстового содержания, визуального макета и структурных связей между элементами.¹¹

Ключевые возможности, которые искусственный интеллект привносит в область парсинга, включают:

• Контекстуальное понимание: Модели способны устанавливать семантические связи между элементами данных. Например, нейросеть может понять, что текстовая строка «iPhone 15 Pro» является названием продукта, а «$999» — его ценой, даже если эти два фрагмента данных находятся в разных частях HTML-документа и не связаны явными структурными тегами.¹¹
• Адаптивность и обобщение: В отличие от жестко запрограммированных правил, нейронные сети обладают способностью к обобщению. Знания, полученные при анализе одних сайтов, могут быть успешно применены для парсинга других, даже с кардинально отличающейся структурой и дизайном.²
• Мультимодальность: Современные архитектуры способны одновременно обрабатывать информацию из нескольких источников (модальностей). Они могут анализировать текст страницы, ее визуальное представление (скриншот) и структуру DOM-дерева, чтобы сформировать наиболее полное и точное представление о содержимом и извлечь данные с максимальной достоверностью.¹³

Структура отчета: навигация по ландшафту нейросетевого парсинга

Данный отчет представляет собой систематический и всесторонний анализ современных подходов к парсингу веб-сайтов с использованием нейронных сетей. Структура документа построена таким образом, чтобы последовательно провести читателя от теоретических основ к практическим аспектам реализации и будущим перспективам.

• Часть I закладывает теоретический фундамент, детально рассматривая три ключевые модальности, в которых веб-страница может быть представлена для анализа нейронной сетью: визуальную, структурную и семантическую.
• Часть II посвящена обзору и анализу конкретных нейросетевых архитектур, которые наилучшим образом подходят для работы с каждой из этих модальностей, от сверточных сетей до графовых и трансформерных моделей.
• Часть III исследует революционное влияние, которое оказали на область парсинга большие языковые модели (LLM), и рассматривает как готовые решения на их основе, так и подходы к их дообучению.
• Часть IV фокусируется на практических аспектах реализации проектов по AI-парсингу, включая подготовку и аннотацию данных, проектирование масштабируемых архитектур и анализ юридических и этических тонкостей.
• Часть V обращает взор в будущее, исследуя передовой край исследований — автономных веб-агентов, которые способны не только извлекать данные, но и выполнять сложные задачи в веб-окружении.

---

Часть I: Фундаментальные модальности представления веб-страниц

Для того чтобы нейронная сеть могла «понять» веб-страницу, ее необходимо представить в виде, пригодном для математической обработки — в виде векторов или тензоров. Существует три фундаментальных способа такого представления, или три модальности, каждая из которых несет уникальный срез информации о странице.

Глава 1: Визуальная модальность — парсинг отрендеренных страниц

Представление страницы как изображения: скриншоты и их значение

Центральная идея визуального подхода заключается в том, чтобы анализировать не сложный и изменчивый HTML-код, а то, что видит конечный пользователь — отрендеренное графическое изображение (скриншот) веб-страницы.⁴ Этот метод переносит задачу из области анализа текста и кода в область компьютерного зрения (Computer Vision).¹⁶

Ключевые преимущества этого подхода напрямую вытекают из его природы:

• Устойчивость к изменениям верстки: Для визуального парсера не имеет значения, какой HTML-тег используется для кнопки — <div>, <button> или <a>, или какие CSS-классы к нему применены. Если на отрендеренном изображении элемент выглядит и функционирует как кнопка, модель компьютерного зрения сможет его распознать. Это делает данный подход по своей сути робастным к большинству изменений на фронтенде, которые не затрагивают общую визуальную концепцию страницы.¹⁰
• Работа с динамическим контентом: Скриншот создается после полной загрузки страницы, включая выполнение всех JavaScript-сценариев. Это гарантирует, что на итоговом изображении будет присутствовать весь контент, в том числе тот, который подгружается асинхронно, что является неразрешимой проблемой для парсеров, работающих только с исходным HTML.⁴
• Извлечение не-HTML данных: Визуальный подход является единственным способом извлечения информации из элементов, которые не представлены в виде текста в DOM-дереве. Это могут быть данные из графиков и диаграмм, сгенерированных на элементе <canvas>, текст, являющийся частью растрового изображения (например, на рекламном баннере), или содержимое встроенных PDF-документов.⁴

Для получения визуального представления страницы используются так называемые headless-браузеры — полноценные браузеры, работающие без графического интерфейса. Управление ими осуществляется программно с помощью таких библиотек, как Selenium, Puppeteer (для Node.js) или его Python-порта Playwright.⁴ Эти инструменты позволяют автоматизировать навигацию по сайту, дождаться полной загрузки контента и сделать снимок всей видимой области страницы.

Обнаружение элементов пользовательского интерфейса (UI) с помощью моделей детекции объектов

После получения скриншота задача парсинга трансформируется в классическую задачу компьютерного зрения — обнаружение объектов (object detection).¹⁶ Нейросетевые модели обучаются распознавать на изображении различные типы элементов пользовательского интерфейса: кнопки, поля ввода, ссылки, изображения, текстовые блоки и т.д.

Для этой цели используются современные архитектуры детекторов объектов, такие как:

• YOLO (You Only Look Once): Семейство моделей, известных своей высокой скоростью работы, что делает их подходящими для анализа в реальном времени.
• DETR (DEtection TRansformer): Модель на основе трансформеров, которая рассматривает детекцию объектов как задачу прямого предсказания множества, устраняя необходимость в сложных промежуточных шагах, присущих другим детекторам.
• Faster R-CNN: Двухэтапный детектор, известный своей высокой точностью.

На выходе такая модель предоставляет набор ограничивающих рамок (bounding boxes) для каждого найденного на скриншоте элемента, а также метку его класса.¹⁹ Например, результат может выглядеть как

[{«class»: «button», «box»: }, {«class»: «input_field», «box»: }].

Обучение таких моделей требует наличия больших аннотированных наборов данных. В качестве примеров можно привести публичные датасеты, такие как Web UI Elements Dataset ²⁰ или

Web UI Element Detection с платформы Roboflow ²², которые содержат десятки тысяч скриншотов веб-страниц с размеченными UI-элементами.

Извлечение текста из изображений: роль оптического распознавания символов (OCR)

После того как на скриншоте локализованы области с текстом (например, текстовые блоки, заголовки, метки), необходимо извлечь из этих областей сам текст. Эта задача решается с помощью технологии оптического распознавания символов (Optical Character Recognition, OCR).⁴

Самым известным open-source инструментом для OCR является движок Tesseract OCR, разработанный Google.⁴ Многие коммерческие платформы для парсинга, например,

Zyte API, предлагают собственные, зачастую более точные и надежные, реализации OCR как часть своего сервиса.⁴

Необходимо понимать, что OCR не является безошибочной технологией. Точность распознавания может снижаться при работе с нестандартными или стилизованными шрифтами, текстом с низким контрастом по отношению к фону, искажениями или сложными графическими элементами на фоне текста.⁴ Качество работы OCR-системы напрямую определяет качество конечных извлеченных данных, поэтому выбор и настройка OCR-движка являются критически важными этапами в конвейере визуального парсинга.

Переход от анализа структуры к анализу визуального представления является фундаментальным сдвигом. Традиционные методы пытаются понять, как страница была создана, анализируя ее HTML-код. Визуальный подход, напротив, стремится понять, что на странице изображено, игнорируя детали реализации. Этот сдвиг обусловлен самой природой проблем классического парсинга. Поскольку HTML и CSS являются лишь инструментами для достижения визуального результата, а именно этот результат важен для пользователя, логично анализировать именно его. Задачи компьютерного зрения, такие как детекция объектов и OCR, являются хорошо изученными и имеют зрелые решения, что делает их применение к скриншотам веб-страниц мощной и логичной стратегией для создания по-настоящему робастных парсеров.

Глава 2: Структурная модальность — парсинг дерева DOM

Веб-страница как граф: преобразование DOM в графовую структуру

Второй фундаментальный подход к представлению веб-страницы для нейронной сети заключается в анализе ее внутренней структуры. Document Object Model (DOM) по своей сути является иерархической древовидной структурой, которую можно естественным образом представить в виде графа G=(V,E).²⁵ В такой репрезентации:

• Узлы (Nodes, V): Каждый HTML-элемент (тег), такой как <div>, <p>, <a>, <img> и т.д., становится узлом графа.²⁷
• Ребра (Edges, E): Ребра графа представляют иерархические и соседские отношения между элементами в DOM-дереве. Как правило, выделяют следующие типы связей:

• parent-child: связь от родительского элемента к дочернему.
• child-parent: обратная связь от дочернего элемента к родительскому.
• next-sibling: связь к следующему элементу на том же уровне иерархии.
• Иногда в модель добавляют и другие типы ребер, например, петлю node-to-self для каждого узла, что упрощает агрегацию собственных признаков узла в графовых нейронных сетях.²⁸

Такое графовое представление позволяет применить для анализа структуры страницы мощный математический аппарат теории графов и, что более важно, специализированные нейросетевые архитектуры — графовые нейронные сети (Graph Neural Networks, GNN).²⁹

Признаки узлов и ребер: кодирование тегов, атрибутов и иерархических связей

Чтобы граф стал информативным для нейронной сети, каждый его узел и каждое ребро должны быть представлены в виде числового вектора признаков (feature vector). Качество и полнота этих признаков напрямую влияют на способность модели понимать структуру страницы.

Признаки узлов (Node Features):

• Тип тега: Имя HTML-тега кодируется, как правило, с помощью техники one-hot encoding, где каждому возможному тегу соответствует уникальный вектор (например, <div> -> [1, 0,…, 0], <p> -> [0, 1,…, 0]).²⁸
• Текстовое содержимое: Текст, содержащийся внутри узла, является важнейшим семантическим признаком. Он кодируется с помощью предобученных языковых моделей (например, BERT, Universal Sentence Encoder) для получения плотного векторного представления (эмбеддинга), отражающего его смысл.²⁵
• HTML-атрибуты: Содержимое атрибутов, таких как class и id, часто несет семантическую информацию о назначении элемента (например, class=»product-title»). Это содержимое также может быть векторизовано с помощью языковых моделей.²⁸
• Структурные признаки: Для кодирования положения узла в общей структуре документа используются такие признаки, как его полный XPath, глубина вложенности в DOM-дереве и порядковый номер среди соседних элементов (индекс).²⁵
• Визуальные признаки (опционально): Если страница предварительно рендерится, в признаки узла можно добавить информацию из визуальной модальности: координаты его ограничивающей рамки (bounding box), цвет фона, размер и начертание шрифта и т.д. Это обогащает представление и позволяет модели учитывать визуальное форматирование.³¹

Признаки ребер (Edge Features):

Ребра также могут иметь свои признаки, как правило, это one-hot вектор, кодирующий тип связи (parent-child, next-sibling и т.д.). Это позволяет графовой сети различать направления информационных потоков и типы иерархических отношений.28

Навигация по структуре: от XPath к семантическим путям

Традиционным способом навигации по DOM является использование языка запросов XPath, который задает абсолютный или относительный путь к элементу от корня дерева. Главный недостаток XPath — его хрупкость: любое изменение в иерархии тегов на пути к целевому элементу ломает запрос.

Графовые нейронные сети (GNN) предлагают принципиально иной, более гибкий подход. Вместо следования по жестко заданному пути, GNN обучается процессу распространения информации по графу. В результате итеративного обмена «сообщениями» с соседями, каждый узел формирует богатое контекстуализированное представление, которое учитывает его локальное окружение.²⁹ Это позволяет модели находить семантически и структурно похожие элементы, даже если их абсолютные XPath в DOM-дереве совершенно разные. Например, модель может научиться идентифицировать «карточку товара» как структурный паттерн, состоящий из изображения, заголовка и цены, независимо от того, на какой глубине и в каких тегах эта карточка реализована на конкретном сайте.

Представление DOM-дерева в виде графа является своего рода мостом, соединяющим чисто текстовый и чисто визуальный подходы. Оно позволяет решить ключевую проблему каждого из этих подходов, взятых по отдельности. Визуальный анализ (Глава 1) хорошо улавливает двумерный макет, но может терять точную текстовую информацию из-за ошибок OCR и не всегда способен однозначно определить логические связи между элементами (например, какой заголовок относится к какому абзацу). Текстовый анализ (Глава 3), в свою очередь, отлично улавливает семантику, но при «выпрямлении» иерархического HTML в линейную последовательность токенов полностью теряет информацию о верстке и структуре.³³

DOM-дерево в явном виде содержит эту недостающую структурную информацию.²⁵ Графы являются наиболее естественным и математически строгим способом ее представления.³⁰ Обогащая узлы графа семантическими эмбеддингами текста и, возможно, визуальными признаками, мы получаем возможность одновременно моделировать и структуру, и содержание, и внешний вид страницы.³⁴ Таким образом, структурный подход на основе GNN является не просто еще одним методом, а

синтезирующим подходом, который позволяет создать более целостное и робастное представление веб-страницы, чем методы, основанные только на одной модальности.

Глава 3: Семантическая модальность — парсинг текстового контента

Представление текста: от Bag-of-Words к Transformer-эмбеддингам

Третья модальность фокусируется на самом ценном, что есть на веб-странице — ее текстовом содержании. Ранние подходы к анализу текста, такие как «мешок слов» (Bag-of-Words), представляли текст как неупорядоченный набор слов, полностью игнорируя их порядок и контекст. Это приводило к значительной потере смысла.

Современный стандарт в обработке естественного языка (NLP) — это использование предобученных языковых моделей (Pre-trained Language Models, PLM), построенных на архитектуре Transformer.³⁶ Модели, такие как

BERT (Bidirectional Encoder Representations from Transformers), RoBERTa (A Robustly Optimized BERT Pretraining Approach) и T5 (Text-to-Text Transfer Transformer), обучаются на гигантских текстовых корпусах (триллионы слов) и способны генерировать контекстуализированные эмбеддинги — плотные векторные представления для каждого слова (или суб-слова, токена) в предложении.³³ Ключевое отличие этих эмбеддингов в том, что вектор для одного и того же слова будет разным в зависимости от его окружения, что позволяет моделям улавливать тонкие семантические нюансы, омонимию и синтаксические роли.

Линеаризация HTML: проблемы и стратегии для языковых моделей

Архитектура Transformer по своей природе предназначена для работы с линейными последовательностями токенов, как в обычном тексте.³⁶ Однако веб-страница имеет сложную двумерную и иерархическую структуру. Прямая подача HTML-кода в такую модель неэффективна и сопряжена с фундаментальной проблемой: как сохранить структурную информацию при преобразовании дерева в последовательность?

Простое извлечение всего текста со страницы и его конкатенация в одну длинную строку приводит к полной потере структурного контекста. Модель не сможет отличить заголовок от подвала, пункт меню от отзыва пользователя, что критически важно для качественного парсинга.³³ Для решения этой проблемы были разработаны различные стратегии:

• Упрощение разметки (HTML/Markdown): Один из эффективных подходов заключается в преобразовании сложного, «шумного» HTML-кода в более простой и семантически насыщенный формат, например, в Markdown. Этот процесс удаляет несущественные для понимания смысла теги, стили и скрипты, но сохраняет ключевую структуру: заголовки (# H1), списки (* item), таблицы и ссылки. Полученный «чистый» текст затем подается на вход языковой модели.³⁷
• Внедрение структурных токенов: Альтернативный подход — вставлять специальные токены прямо в текстовую последовательность для явного обозначения HTML-тегов. Например, фрагмент <h1>Заголовок</h1><p>Текст</p> может быть представлен как последовательность [H1] Заголовок [P] Текст. Это позволяет модели «видеть» теги и учиться интерпретировать их значение.
• Использование structure-aware моделей: Наиболее продвинутый подход заключается в использовании моделей, которые изначально спроектированы для понимания HTML. К ним относятся MarkupLM, который инкорпорирует эмбеддинги XPath для каждого токена ³⁹, и
  WebN-T5, модель, специально дообученная на большом корпусе веб-страниц и показавшая высокую эффективность в задачах, требующих понимания HTML.³³

Семантический анализ: распознавание именованных сущностей (NER), анализ тональности и классификация контента

После того как текстовое содержимое страницы представлено в виде качественных векторных эмбеддингов, его можно использовать для решения широкого спектга задач NLP, ключевых для парсинга:

• Распознавание именованных сущностей (Named Entity Recognition, NER): Это основная задача для извлечения структурированных данных. Модель обучается находить и классифицировать в тексте конкретные сущности, такие как имена людей, названия организаций, географические локации, даты, суммы денег, названия продуктов и т.д..³⁶
• Анализ тональности (Sentiment Analysis): Определение эмоциональной окраски текста (позитивная, негативная, нейтральная). Этот анализ широко применяется для парсинга отзывов о товарах, комментариев в социальных сетях и новостных статей.¹¹
• Классификация текста: Присвоение странице одной или нескольких предопределенных категорий (например, «новости», «электронная коммерция», «блог», «форум»). Это может быть полезно для предварительной фильтрации сайтов или применения разных стратегий парсинга для разных типов страниц.³⁶

Все эти задачи, как правило, решаются путем дообучения (fine-tuning) предобученных моделей, таких как BERT, RoBERTa или более легкой версии DistilBERT, на специализированных наборах данных, размеченных под конкретную задачу.³⁶

Появление больших языковых моделей (LLM) произвело настоящую революцию, сместив акцент с извлечения на понимание. Вместо того чтобы писать сложный код для поиска HTML-тега с определенным классом, содержащего цену, теперь можно напрямую «спросить» модель: «Какая цена у этого товара?». LLM, обученные на колоссальных объемах текстовых данных со всего интернета, обладают своего рода «здравым смыслом» и внутренним пониманием типичных паттернов представления информации на веб-страницах.¹² Это позволяет формулировать задачу извлечения данных как задачу ответа на вопрос.⁵ Способность LLM к извлечению информации в режиме «нулевого выстрела» (zero-shot) или «нескольких выстрелов» (few-shot) ³² кардинально снижает порог входа и затраты на разработку и поддержку парсеров для большого количества разнообразных сайтов. Таким образом, семантический подход на основе LLM представляет собой высший уровень абстракции в парсинге, позволяя перейти от работы с синтаксисом (HTML) к работе с чистой семантикой (смыслом). Основной технической задачей становится не написание селекторов, а эффективная подача релевантного контента страницы в ограниченное контекстное окно модели.

---

Часть II: Ключевые нейросетевые архитектуры для веб-парсинга

Выбор правильной нейросетевой архитектуры является определяющим фактором успеха в проектах по AI-парсингу. Различные архитектуры оптимизированы для работы с разными модальностями данных и обладают уникальными сильными и слабыми сторонами.

Глава 4: Визуальный парсинг — от CNN до Vision Transformers (ViT)

Когда веб-страница представлена как изображение (скриншот), задача парсинга сводится к анализу пиксельных данных. В этой области доминируют три класса архитектур: сверточные нейронные сети, трансформеры для зрения и их гибриды.

Сверточные нейронные сети (CNN) для локализации элементов

Сверточные нейронные сети (Convolutional Neural Networks, CNN) на протяжении долгого времени были стандартом де-факто в компьютерном зрении. Их архитектура основана на применении сверточных фильтров, которые скользят по изображению и обнаруживают локальные признаки, такие как горизонтальные и вертикальные края, углы, цветовые пятна и текстуры.¹⁶ Путем последовательного наложения нескольких сверточных слоев и слоев субдискретизации (pooling), CNN строят иерархическое представление изображения, переходя от простых признаков на нижних слоях к более сложным и абстрактным (например, «глаз», «колесо») на верхних.⁴²

В контексте визуального парсинга, CNN отлично подходят для задач, где важны именно локальные паттерны. Они эффективно справляются с обнаружением и классификацией небольших, относительно стандартных UI-элементов, таких как иконки, флажки (checkboxes), переключатели или кнопки простой формы. Архитектуры типа ResNet или VGG часто используются в качестве «хребта» (backbone) — основы для извлечения признаков в более сложных детекторах объектов, таких как Faster R-CNN.⁴³

Однако у CNN есть фундаментальное ограничение — локальное рецептивное поле (receptive field). Каждый нейрон «видит» только небольшую область входного изображения. Из-за этого CNN испытывают трудности с улавливанием глобальных зависимостей и пониманием общего контекста макета страницы. Например, для CNN будет крайне сложно установить семантическую связь между заголовком в верхней части страницы и таблицей с данными в нижней, поскольку они находятся за пределами рецептивных полей друг друга.⁴⁴

Vision Transformers (ViT) для глобального понимания макета

Vision Transformers (ViT) представляют собой адаптацию чрезвычайно успешной архитектуры Transformer из области NLP к задачам компьютерного зрения. Принцип их работы кардинально отличается от CNN. ViT делит входное изображение на сетку непересекающихся квадратных патчей (например, 16×16 пикселей). Каждый такой патч «распрямляется» в вектор и линейно проецируется для получения эмбеддинга, аналогичного эмбеддингу слова в NLP.⁴³

Главное преимущество ViT заключается в использовании механизма self-attention (само-внимания). Этот механизм позволяет каждому патчу на изображении взаимодействовать со всеми остальными патчами, взвешивая важность каждого из них для своего собственного представления.⁴¹ Это дает модели глобальное рецептивное поле: каждый элемент на странице «видит» все остальные элементы. Благодаря этому ViT превосходно улавливают длинные зависимости и сложные пространственные отношения между удаленными объектами.⁴⁴

В задачах парсинга ViT демонстрируют значительное превосходство над CNN там, где требуется понимание общего контекста и структуры макета. Например, они эффективны для семантической сегментации страницы на логические блоки (шапка, основной контент, боковая панель, подвал) или для анализа структуры сложных таблиц и форм, где важны отношения между ячейками в разных строках и столбцах.⁴⁵

К недостаткам ViT можно отнести их высокую требовательность к данным. В отличие от CNN, в которых заложена индуктивная предвзятость (inductive bias) к обработке изображений (локальность, трансляционная инвариантность), ViT должны «с нуля» выучивать базовые визуальные паттерны. Поэтому для их эффективного обучения требуются огромные наборы данных (сотни миллионов изображений). На небольших и средних датасетах они могут уступать в производительности хорошо настроенным CNN.⁴⁴ Кроме того, вычисления в механизме self-attention имеют квадратичную сложность относительно количества патчей, что делает ViT требовательными к вычислительным ресурсам.

Гибридные архитектуры (CNN-Transformer): объединение локальных и глобальных признаков для повышения робастности

Логичным шагом в эволюции архитектур стало объединение сильных сторон CNN и ViT. Гибридные модели (Hybrid Vision Transformers, HVT), также известные как CNN-Transformer, стремятся взять лучшее из двух миров: использовать эффективность CNN в извлечении локальных признаков и мощь ViT в моделировании глобальных зависимостей.⁴¹

Существует несколько основных подходов к построению таких гибридов, как подробно описано в обзоре ⁴⁴:

• Последовательная интеграция: CNN-слои используются в начале сети для первичной обработки изображения, извлечения низкоуровневых признаков и уменьшения пространственной размерности. Полученные карты признаков затем подаются на вход Transformer-блокам для глобального анализа. Примерами таких моделей являются CvT (Convolutional Vision Transformer) и CoAtNet.
• Параллельная интеграция: В этом подходе создаются две параллельные ветви — одна на основе CNN, другая на основе Transformer. Они обрабатывают входное изображение независимо, а их выходные представления объединяются на поздних этапах для принятия финального решения. Модель Conformer является примером такой архитектуры.
• Иерархическая (блочная) интеграция: Разрабатывается единый гибридный блок, который содержит в себе как сверточные операции, так и механизм self-attention. Сеть строится путем последовательного соединения нескольких таких иерархических блоков. Этот подход позволяет моделировать признаки на разных масштабах. Примером служит MaxViT.

В результате такого синтеза гибридные модели часто демонстрируют наилучшую производительность на широком спектре задач компьютерного зрения. Они эффективно моделируют как локальные детали (например, текстуру кнопки), так и глобальный контекст (ее положение относительно других элементов на странице), что делает их особенно подходящими для сложной задачи визуального парсинга веб-страниц.⁴³

Эволюция архитектур от CNN к ViT и далее к гибридам отражает углубление понимания самой природы веб-страниц. Веб-страница — это иерархический объект, содержащий как локальные паттерны (отдельные UI-элементы), так и глобальные (общий макет, семантические блоки). Чтобы понять, что кнопка «Купить» относится к товару «iPhone 15», необходимо одновременно распознать саму кнопку как локальный объект и понять ее положение внутри более крупной структуры «карточка товара» в контексте всей страницы. Гибридная архитектура, где CNN-часть эффективно извлекает низкоуровневые локальные признаки, а ViT-часть анализирует их глобальные взаимосвязи, является наиболее естественным и мощным решением для этой многомасштабной задачи.

Параметр	Сверточные нейронные сети (CNN)	Vision Transformers (ViT)	Гибридные модели (HVT)
Тип извлекаемых признаков	Локальные (края, текстуры, простые формы)	Глобальные (длинные зависимости, пространственные отношения)	Локальные и глобальные
Рецептивное поле	Локальное, ограниченное размером фильтров	Глобальное, охватывает все изображение	Мультимасштабное (локальное + глобальное)
Требования к данным	Умеренные (врожденная индуктивная предвзятость)	Очень большие (требуется обучение с нуля)	Сбалансированные (CNN-часть помогает ViT)
Вычислительная сложность	Относительно низкая	Высокая (квадратичная зависимость от кол-ва патчей)	Варьируется, но обычно выше CNN
Устойчивость к изменениям макета	Низкая (чувствительны к положению)	Высокая (анализируют отношения)	Очень высокая (сочетание сильных сторон)
Типичные задачи в парсинге	Детекция простых UI-элементов (иконки, кнопки)	Сегментация страницы, анализ общей структуры	Детекция сложных компонентов (карточки товаров, формы)
Примеры моделей	ResNet, VGG (как backbones) 43	ViT, DeiT 41	CvT, CoAtNet, MaxViT 44

Глава 5: Структурный парсинг — графовые нейронные сети (GNN) на DOM

Когда веб-страница представлена в виде графа, построенного на основе ее DOM-дерева, для ее анализа применяются графовые нейронные сети (Graph Neural Networks, GNN). Эти архитектуры специально разработаны для работы с данными, имеющими графовую структуру.

Принцип работы GNN: агрегация сообщений и обновление представлений узлов

Фундаментальный принцип работы большинства GNN основан на итеративном процессе, известном как message passing (передача сообщений) или neighborhood aggregation (агрегация по соседству).²⁹ Этот процесс состоит из нескольких слоев, и на каждом слое для каждого узла графа выполняются два шага:

1. Агрегация (Aggregation): Узел собирает векторные представления («сообщения») от своих непосредственных соседей по графу. Функция агрегации может быть разной — от простого суммирования или усреднения векторов до более сложных взвешенных схем.
2. Обновление (Update): Узел комбинирует агрегированную информацию от соседей со своим собственным векторным представлением из предыдущего слоя, чтобы вычислить свое новое представление. Эта комбинация обычно выполняется с помощью небольшой нейронной сети (например, многослойного перцептрона).

Последовательное применение нескольких таких слоев приводит к тому, что векторное представление каждого узла начинает инкапсулировать информацию не только о нем самом, но и о его структурном окружении. После k слоев GNN каждый узел будет содержать информацию о своей k-шаговой окрестности в графе.⁴⁷ Это позволяет модели улавливать сложные структурные зависимости и контекст, в котором находится каждый HTML-элемент.

Применение GNN для классификации узлов и предсказания связей

Богатые, контекстуализированные векторные представления узлов, полученные с помощью GNN, могут быть использованы для решения ключевых задач парсинга:

• Классификация узлов (Node Classification): Это основное применение GNN в парсинге. Векторное представление каждого узла DOM подается на вход стандартному классификатору (например, многослойному перцептрону с функцией Softmax на выходе), который предсказывает метку для этого узла. Метками могут быть типы извлекаемых данных: «название товара», «цена», «описание», «изображение» или же служебная метка «нерелевантно».²⁵ Таким образом, GNN позволяет автоматически размечать семантическую роль каждого элемента на странице.
• Предсказание связей (Link Prediction): Менее распространенная, но очень перспективная задача. GNN можно обучить предсказывать вероятность существования семантической связи между двумя узлами, которые не обязательно являются соседями в DOM-дереве. Например, модель может научиться предсказывать, что определенный узел <img> (изображение) семантически связан с определенным узлом <p> (описание), даже если они находятся в разных ветках DOM. Это открывает возможности для извлечения сложных реляционных данных.²⁷

Ключевые модели и фреймворки

В области графовых нейронных сетей существует множество конкретных архитектур. Для задач веб-парсинга наиболее релевантны следующие:

• GCN (Graph Convolutional Networks): Одна из первых и наиболее фундаментальных GNN-моделей, которая обобщает операцию свертки на графовые структуры. Часто используется как базовая архитектура во многих исследованиях.³⁵
• GAT (Graph Attention Networks): Усовершенствованная версия GCN, которая использует механизм внимания (attention) для динамического взвешивания важности разных соседей при агрегации сообщений. Это позволяет модели фокусироваться на наиболее релевантных частях локальной структуры графа, игнорируя «шумных» соседей.³⁴
• GraphSAGE: Эффективная и масштабируемая архитектура, предназначенная для работы с очень большими графами. Вместо агрегации со всех соседей, GraphSAGE учится агрегировать информацию из небольшой случайной выборки соседей, что значительно ускоряет вычисления.²⁷
• GROWN+UP: Комплексный фреймворк, который представляет собой глубокую GNN для извлечения признаков из DOM-графа. Важной особенностью является возможность самообучения (self-supervised pre-training) на огромном корпусе неразмеченных веб-страниц, что позволяет модели выучить общие структурные паттерны веба перед дообучением на конкретной задаче парсинга.²⁸
• PLM-GNN: Пример гибридной модели, которая эффективно объединяет две модальности: семантическую и структурную. Она использует предобученную языковую модель (PLM) для кодирования текстового содержимого страницы и GNN для кодирования ее DOM-структуры (на основе признаков из XPath). Затем оба представления объединяются для решения задачи классификации веб-страниц.²⁵

GNN не просто «читают» DOM-дерево, они его интерпретируют в контексте. Способность GNN агрегировать информацию из окружения означает, что модель может понять функциональную роль узла, основываясь не только на его собственном содержании (например, тексте «999»), но и на том, где он находится и что его окружает. Если узел с текстом «999» имеет соседей с текстом «$» и кнопкой «Добавить в корзину», GNN с высокой вероятностью правильно классифицирует его как «цена». Традиционные методы парсинга пытаются закодировать этот контекст через жесткие, рукописные правила и селекторы. GNN, по сути, автоматизируют этот процесс, обучаясь этим правилам неявно. Они преобразуют задачу «написания умных селекторов» в задачу обучения модели, которая сама генерирует эти «умные селекторы» в виде богатых векторных представлений.

Глава 6: Семантический и мультимодальный парсинг — от BERT до унифицированных моделей

Эта глава рассматривает наиболее продвинутые архитектуры, которые либо фокусируются на глубоком понимании текста, либо стремятся объединить все модальности в одной мощной модели.

Текстовые трансформеры (BERT, RoBERTa) для извлечения информации из линеаризованного HTML

Простейший способ применить мощные NLP-модели для парсинга — это извлечь все текстовое содержимое со страницы, объединить его в одну длинную последовательность (линеаризовать) и обработать как обычный текстовый документ.³⁶ Модели, такие как

BERT или его более робастный вариант RoBERTa, могут быть дообучены (fine-tuned) на задачах распознавания именованных сущностей (NER) для извлечения нужных полей (имя, цена, дата и т.д.) из этого сплошного текста.³⁶

Несмотря на простоту, у этого подхода есть серьезный недостаток. Как уже обсуждалось в Главе 3, при линеаризации полностью теряется вся информация о структуре и визуальном макете страницы. Модель не может различить заголовок и абзац, если они не содержат явных текстовых маркеров. Это приводит к значительной потере контекста и, как следствие, к снижению точности извлечения, особенно на страницах со сложной, нелинейной версткой.³³

Layout-Aware модели: LayoutLM и его варианты, объединяющие текст и 2D-координаты

Чтобы преодолеть ограничения чисто текстовых моделей, были разработаны архитектуры, учитывающие пространственное расположение информации. LayoutLM стал пионером в этом направлении. Его ключевая инновация заключается в расширении архитектуры BERT путем добавления к стандартным текстовым эмбеддингам двух новых типов эмбеддингов ¹⁹:

1. 1D-позиционные эмбеддинги: Аналогичны стандартным в BERT, указывают на порядок токена в последовательности.
2. 2D-позиционные эмбеддинги: Кодируют пространственное положение токена на отрендеренной странице. Для каждого токена модель получает координаты его ограничивающей рамки (bounding box): (x0​,y0​,x1​,y1​). Эти координаты дискретизируются и преобразуются в эмбеддинги.

Таким образом, LayoutLM одновременно понимает, что написано (семантика текста) и где это написано (визуальный макет).¹⁹ Этот подход показал state-of-the-art результаты в задачах понимания визуально насыщенных документов, таких как отсканированные формы, счета-фактуры и чеки. Его можно применять и для веб-парсинга, если предварительно отрендерить страницу и извлечь текст и его координаты с помощью OCR-системы.¹⁴ Последующие версии, такие как

LayoutLMv2 и LayoutLMv3, пошли дальше, интегрировав также и визуальные признаки (эмбеддинги из патчей изображения) непосредственно в модель.

Structure-Aware модели: MarkupLM, использующий XPath для кодирования структуры DOM

Альтернативный подход к обогащению текстовых моделей контекстом — использование не визуальной, а структурной информации из HTML. MarkupLM является ярким представителем этого семейства моделей.³⁹

Вместо 2D-координат, MarkupLM для каждого текстового токена добавляет эмбеддинг его XPath — уникального пути к соответствующему HTML-узлу от корня DOM-дерева. XPath разбивается на составные части (теги и их индексы), и для каждой части создается отдельный эмбеддинг. Их сумма и представляет структурное положение токена.³⁹ Это позволяет модели понимать иерархию документа и вложенность элементов, не прибегая к дорогостоящим операциям рендеринга и OCR. MarkupLM особенно эффективен для задач, где важна именно HTML-структура, например, для ответа на вопросы по веб-страницам (датасет WebSRC) или извлечения информации из списков и таблиц (датасет SWDE).³⁹

Унифицированные мультимодальные модели (UDOP, WebLM): одновременная обработка текста, макета и визуальных данных

Вершиной эволюции являются модели, которые стремятся объединить все три модальности — текст, структуру/макет и изображение — в одной унифицированной архитектуре, чтобы максимально приблизиться к человеческому восприятию документа.

• UDOP (Universal Document Processing): Эта модель предлагает Vision-Text-Layout Transformer, который моделирует текстовые токены, визуальные патчи изображения и координаты bounding box в едином пространстве представлений. UDOP является универсальной моделью, способной не только к анализу и извлечению информации, но и к генеративным задачам, таким как редактирование содержимого документа или генерация изображения документа по его текстовому и структурному описанию.¹⁵
• WebLM: Эта модель была специально разработана для понимания веб-страниц. Ее ключевая особенность — введение иерархических визуальных признаков. WebLM инкорпорирует HTML-структуру непосредственно в процесс извлечения визуальных признаков из скриншота. Это позволяет модели лучше понимать, как структура DOM связана с визуальным макетом, и извлекать более семантически осмысленные признаки.¹⁴

Эти унифицированные модели представляют собой передний край исследований и демонстрируют, что максимальная точность и робастность достигаются за счет синергии всех доступных модальностей.

Эволюция моделей от BERT к LayoutLM, MarkupLM и, наконец, к UDOP/WebLM — это гонка за созданием все более полного и «человекоподобного» представления документа. Человек, анализируя веб-страницу, одновременно воспринимает текст, его визуальное форматирование (шрифт, цвет, размер), его пространственное положение на странице и его структурную роль (заголовок, пункт списка, ячейка таблицы). Каждая новая архитектура добавляет модели еще один «канал восприятия», приближая ее к целостному человеческому пониманию. Будущее парсинга, очевидно, лежит не в какой-то одной модальности, а в их глубокой и осмысленной интеграции, где каждая модальность компенсирует недостатки других.

Модель/Подход	Используемые модальности	Ключевая идея	Преимущества	Недостатки	Примеры моделей/фреймворков
Текстовые Трансформеры	Только Текст	Обработка линеаризованного HTML как последовательности токенов.	Простота реализации, использование мощных предобученных NLP-моделей.	Полная потеря структурной и визуальной информации, низкая точность на сложных макетах.	BERT, RoBERTa, T5 33
Layout-Aware (Визуально-ориентированные)	Текст + 2D-Макет	Добавление 2D-координат токенов к их семантическим эмбеддингам.	Понимание пространственного расположения текста, устойчивость к визуально схожим макетам.	Требует рендеринга и OCR, может терять точную HTML-структуру.	LayoutLM, LayoutLMv2/v3 19
Structure-Aware (Структурно-ориентированные)	Текст + Структура DOM	Добавление эмбеддингов XPath (или других структурных признаков) к текстовым токенам.	Глубокое понимание иерархии HTML без необходимости рендеринга.	Не видит визуальное форматирование (цвет, шрифт), которое важно для человека.	MarkupLM 39, WebN-T5 33
Graph-based (Графовые)	Текст + Структура DOM (+Визуальные признаки)	Представление DOM как графа и применение GNN для агрегации контекстной информации.	Естественное моделирование связей, объединение семантики и структуры.	Вычислительно сложнее, требует построения графа для каждой страницы.	GROWN+UP 28, PLM-GNN 25
Унифицированные Мультимодальные	Текст + 2D-Макет + Структура + Изображение	Единая архитектура для одновременной обработки всех модальностей.	Наиболее полное и робастное представление документа, state-of-the-art результаты.	Очень высокая сложность, большие требования к данным и вычислениям.	UDOP 15, WebLM 14

---

Часть III: Революция больших языковых моделей (LLM) в парсинге

Появление больших языковых моделей (Large Language Models, LLM) фундаментально изменило ландшафт извлечения данных. Вместо специализированных, обученных под конкретную задачу моделей, теперь возможно использовать универсальные, предобученные модели для широкого спектра задач парсинга с минимальной настройкой.

Глава 7: Извлечение данных с помощью универсальных LLM

Zero-shot и Few-shot извлечение с помощью инжиниринга промптов

Ключевое преимущество современных LLM — их способность выполнять задачи в режиме zero-shot (без примеров) или few-shot (с несколькими примерами). Это достигается за счет инжиниринга промптов (prompt engineering) — искусства составления правильного текстового запроса к модели.¹¹

• Zero-shot извлечение: Модели способны извлекать и структурировать данные из предоставленного текста или HTML-кода без какой-либо предварительной дообучения (fine-tuning) на данной конкретной задаче. Пользователь просто описывает в промпте, что нужно сделать.
• Пример промпта: «Извлеки из следующего HTML-фрагмента название товара, его цену и описание. Верни результат в формате JSON. HTML: <div><h2>Смартфон Pro X</h2><span class=’price’>$799</span><p>Новейшая модель с улучшенной камерой.</p></div>».⁵
• Few-shot извлечение: Если zero-shot подход не обеспечивает достаточной точности или требуемого формата, можно включить в промпт несколько (обычно от 1 до 5) полных примеров «вход -> выход». Это помогает модели лучше понять задачу, особенно в случаях со сложной или нестандартной структурой данных.⁵⁴

Основное преимущество такого подхода — радикальное ускорение разработки. Вместо недель или месяцев, которые могли уйти на сбор данных, аннотацию и обучение специализированной модели, теперь можно получить работающий прототип за считанные минуты, просто итеративно улучшая промпт.¹¹

Применение ведущих моделей: OpenAI GPT-4o, Google Gemini, Anthropic Claude

На рынке существует несколько ведущих семейств LLM, предоставляющих свои возможности через API и подходящих для задач парсинга:

• OpenAI (GPT-3.5, GPT-4, GPT-4o): Модели от OpenAI являются одними из самых мощных и широко используемых. Их API позволяет решать сложные задачи по извлечению и структурированию данных из неструктурированного текста и HTML.⁵
• Google (Gemini): Семейство мультимодальных моделей от Google, способных обрабатывать не только текст, но и изображения, что открывает возможности для гибридного визуально-семантического парсинга. Gemini API предоставляет удобные инструменты для получения вывода в строго заданном формате JSON, что является большим преимуществом для задач парсинга.³⁸
• Anthropic (Claude): Модели семейства Claude (Haiku, Sonnet, Opus) известны своими большими контекстными окнами (до 200K токенов и более), что позволяет им анализировать очень большие объемы текста или HTML за один раз. Их API также может быть эффективно использован для извлечения структурированной информации.⁵⁹

Выбор конкретной модели зависит от множества факторов: сложности задачи, требуемой скорости ответа, бюджета (стоимость API-вызовов) и необходимости обработки мультимодальных данных.⁶¹

Продвинутые техники: Chain-of-Thought, принудительное форматирование вывода (JSON mode)

Для повышения качества и надежности LLM-парсинга используются продвинутые техники промптинга:

• Chain-of-Thought (CoT) Prompting: Эта техника заключается в том, чтобы попросить модель не просто выдать конечный результат, а сначала «подумать вслух», описав шаги своего рассуждения. Например: «Проанализируй следующий HTML. Сначала найди основной блок с информацией о товаре. Затем внутри этого блока идентифицируй название, цену и описание. После этого сформируй JSON с этими полями.». Такой подход заставляет модель следовать более логичному пути и часто приводит к более точным результатам на сложных задачах.
• Structured Output (JSON Mode): Современные API от OpenAI и Google поддерживают специальный режим, который гарантирует, что вывод модели будет синтаксически корректным JSON, соответствующим предоставленной пользователем схеме (JSON Schema).⁵⁸ Это критически важная функция, так как она устраняет необходимость в написании сложного и хрупкого кода для парсинга и валидации ответа от LLM. Разработчик может просто определить Pydantic-модель в Python или Zod-схему в TypeScript, и SDK автоматически обеспечит получение данных в нужном типизированном формате.⁶³ Это значительно повышает надежность всего конвейера извлечения данных.⁶⁴

Использование LLM для парсинга демократизировало процесс, но одновременно сместило фокус инженерной сложности. Если раньше основной задачей было написание правильных селекторов и логики обхода страниц, то теперь ключевой вызов — это управление контекстом. LLM имеют ограниченный размер входного окна (context window).³³ Веб-страницы, в свою очередь, часто содержат тысячи строк «шумного» HTML-кода, включая стили, скрипты и нерелевантные блоки, которые быстро заполняют это окно, не неся полезной информации.³⁷ Простая передача всего HTML-кода в LLM является неэффективной, дорогой и часто приводит к снижению точности.

Это порождает новую инженерную задачу: эффективный препроцессинг HTML для LLM. Необходимо разрабатывать стратегии для очистки, сжатия и, самое главное, интеллектуального отбора наиболее релевантных фрагментов страницы для подачи в модель. Таким образом, эффективный LLM-парсинг — это не один вызов API, а многоступенчатый конвейер, состоящий из получения и очистки HTML, интеллектуального сжатия контента до релевантного минимума и, наконец, вызова LLM с тщательно продуманным промптом и схемой вывода.

Глава 8: Фреймворки и агенты для LLM-парсинга

Сложность прямого использования LLM API для парсинга привела к появлению специализированных фреймворков и платформ, которые инкапсулируют и автоматизируют этот процесс, предоставляя разработчикам высокоуровневый и удобный интерфейс.

LlamaIndex: создание RAG-пайплайнов для извлечения структурированных данных

LlamaIndex — это мощный фреймворк для создания приложений на базе LLM, работающих с внешними данными. В контексте парсинга он идеально подходит для построения конвейеров по принципу Retrieval-Augmented Generation (RAG).⁴⁰

Процесс парсинга с использованием LlamaIndex выглядит следующим образом:

1. Загрузка (Loading): Фреймворк предоставляет готовые коннекторы (Data Connectors) для загрузки данных с веб-страниц, такие как SimpleWebPageReader или SpiderWebReader.⁶⁷ Они могут загружать как сырой HTML, так и предварительно очищенный текст.
2. Индексация (Indexing): Загруженный контент автоматически разбивается на небольшие фрагменты (chunks), и для каждого фрагмента вычисляется векторный эмбеддинг. Эти эмбеддинги вместе с текстом сохраняются в векторной базе данных (индексе).
3. Извлечение (Retrieval): Когда поступает запрос на парсинг (например, «извлеки все вакансии с этой страницы»), LlamaIndex сначала выполняет поиск по векторной базе, чтобы найти наиболее релевантные фрагменты HTML/текста, относящиеся к «вакансиям».
4. Синтез (Synthesis): Отобранные релевантные фрагменты вместе с исходным запросом пользователя передаются в LLM, которая генерирует финальный структурированный ответ.⁶⁹

LlamaIndex также имеет встроенные модули для работы со структурированными данными, такие как PydanticProgram и OutputParsing. Они позволяют определять желаемую схему вывода с помощью Pydantic-классов в Python и автоматически парсить JSON-ответ от LLM в эти классы, что делает процесс извлечения типизированным и надежным.⁶⁶

ScrapeGraphAI: построение графовых пайплайнов для интеллектуального парсинга

ScrapeGraphAI — это Python-библиотека, которая предлагает другой подход к организации LLM-парсинга, представляя весь процесс в виде графа задач.⁵³

Типичная архитектура графа в ScrapeGraphAI состоит из последовательности узлов, каждый из которых выполняет определенную операцию ⁷¹:

• FetchHTMLNode: Загружает HTML-код страницы по заданному URL.
• ParseHTMLNode: Очищает HTML от ненужных тегов и скриптов.
• GenerateAnswerNode: Формирует промпт и вызывает LLM для извлечения информации.
• FormatAnswerNode: Преобразует ответ от LLM в заданный структурированный формат (например, JSON).

Главное преимущество этого подхода — его модульность и наглядность. Разработчик может легко конструировать и модифицировать конвейеры парсинга, добавляя, удаляя или заменяя узлы. Например, можно добавить узел для рендеринга JavaScript с помощью Playwright перед парсингом или узел для сохранения результатов в базу данных после форматирования.⁶⁵ ScrapeGraphAI поддерживает интеграцию с различными LLM, включая OpenAI, Gemini, Groq, а также локально запущенные модели через Ollama, что обеспечивает гибкость и контроль над затратами.⁷² Библиотека также предоставляет готовые шаблоны графов, такие как

SmartScraperGraph для парсинга одной страницы и SearchGraph для обработки результатов поисковой выдачи.⁵³

Обзор корпоративных платформ: Zyte, Diffbot, Apify, Browse AI

Помимо open-source фреймворков, существует ряд коммерческих платформ, предлагающих AI-парсинг как услугу (SaaS):

• Zyte: Являясь одним из лидеров в индустрии веб-парсинга, Zyte предлагает Zyte API и сервис AI-powered spider templates. Их технология использует комбинацию собственных ML-моделей, обученных на миллиардах страниц, для автоматического извлечения данных по стандартным схемам (товары, новости, вакансии) и LLM для анализа неструктурированного текста. Их решения отличаются высокой робастностью к изменениям верстки и встроенными механизмами обхода блокировок.⁴
• Diffbot: Эта платформа использует продвинутый подход, основанный на компьютерном зрении. Сначала она классифицирует тип страницы (статья, товар, форум и т.д.), а затем применяет специализированные, обученные для этого типа страниц ML-модели для извлечения атрибутов. Diffbot автоматически создает из извлеченных данных огромную базу знаний (Knowledge Graph).⁸
• Apify: Apify представляет собой платформу с маркетплейсом «Акторы» — готовых облачных инструментов для парсинга. Среди них есть акторы, использующие AI, такие как Universal AI GPT Scraper и AI Vision Scraper. Они позволяют пользователям извлекать данные, просто описывая их на естественном языке, или на основе анализа скриншотов, используя под капотом API GPT или Gemini.⁵⁷
• Browse AI: Это no-code платформа, которая позволяет пользователю обучить робота для парсинга без написания кода, просто кликая на нужные элементы на странице. AI используется для эмуляции человеческого поведения, автоматической обработки пагинации и мониторинга изменений в верстке для поддержания работоспособности парсера.⁷⁹

Появление таких фреймворков и платформ является прямым следствием сложности, присущей прямому использованию LLM API. Они инкапсулируют и автоматизируют сложный конвейер «очистка -> сжатие контекста -> промптинг», предоставляя пользователю простой и понятный интерфейс. Происходит разделение труда: фреймворки берут на себя техническую сложность того, как парсить, а пользователь лишь определяет, что именно нужно извлечь. Это делает технологию LLM-парсинга практичной и доступной для широкого круга разработчиков и аналитиков.

Глава 9: Файн-тюнинг LLM для специализированных задач парсинга

Хотя универсальные LLM, доступные через API, предлагают невероятную гибкость, для некоторых задач более эффективным решением может быть дообучение (fine-tuning) собственной, более компактной модели.

Подход Text-to-Text Transfer Transformer (T5) для задач генерации структурированных данных

Модель T5 (Text-to-Text Transfer Transformer), разработанная Google, идеально подходит для задач парсинга благодаря своей архитектуре и философии. T5 преобразует абсолютно все задачи обработки естественного языка в единый формат «текст-в-текст».³⁶

В контексте парсинга это означает, что мы можем сформулировать задачу извлечения как задачу генерации структурированного текста (например, JSON) из неструктурированного (HTML). На вход модели подается HTML-код (или его очищенная версия) с добавлением специального префикса, описывающего задачу, а на выходе модель должна сгенерировать строку, содержащую требуемый JSON.

• Пример преобразования задачи:

• Входной текст для модели: «extract json from html: <html><body><h1>Ноутбук UltraBook X1</h1><div class=’price’>75000 RUB</div></body></html>»
• Ожидаемый выходной текст (сгенерированный моделью): «{‘product_name’: ‘Ноутбук UltraBook X1’, ‘price’: 75000, ‘currency’: ‘RUB’}»

Архитектура T5 (encoder-decoder) прекрасно приспособлена для таких генеративных задач «последовательность в последовательность» (sequence-to-sequence). Исследования показывают, что для задач, требующих глубокого понимания структуры HTML, T5 и другие encoder-decoder модели часто превосходят модели типа encoder-only (например, BERT).³³

Практический пример: файн-тюнинг T5 для извлечения JSON из неструктурированного текста

Процесс дообучения модели T5 для конкретной задачи парсинга можно разбить на следующие шаги:

1. Подготовка набора данных: Для файн-тюнинга необходим датасет, состоящий из пар «вход-выход». Обычно он представляется в формате JSONL, где каждая строка — это JSON-объект с двумя обязательными ключами: input (содержащий входной HTML или текст) и target (содержащий эталонную JSON-строку, которую должна сгенерировать модель).⁸² Качество и объем этого датасета напрямую определяют итоговую производительность модели.
2. Загрузка и токенизация: С помощью библиотек datasets и transformers от Hugging Face загружается подготовленный датасет. Затем T5Tokenizer используется для преобразования как входных, так и целевых текстов в последовательности токенов, понятные модели.⁸²
3. Выбор и загрузка базовой модели: Выбирается предобученная модель T5 подходящего размера, например, t5-small или t5-base для начала экспериментов. Модель загружается с помощью класса T5ForConditionalGeneration.⁸²
4. Настройка параметров обучения: С помощью класса Seq2SeqTrainingArguments задаются все гиперпараметры процесса обучения: скорость обучения (learning rate), размер батча (batch size), количество эпох, стратегии сохранения и оценки модели.⁸²
5. Запуск процесса обучения: Класс Seq2SeqTrainer из библиотеки transformers берет на себя всю сложность организации цикла обучения. Ему передаются модель, датасеты, токенизатор и аргументы обучения, после чего запускается процесс файн-тюнинга.⁸⁵

Существует множество открытых руководств и репозиториев, демонстрирующих этот процесс на практике, например, для задачи генерации тегов для репозиториев GitHub ⁸² или для извлечения информации из юридических документов.⁸³

Параметр-эффективный файн-тюнинг (PEFT) с использованием LoRA

Полноценное дообучение даже «небольших» моделей, таких как t5-base (220 млн параметров), требует значительных вычислительных ресурсов, в частности, GPU с большим объемом видеопамяти (VRAM). Это делает процесс недоступным для многих исследователей и небольших компаний.

Эту проблему решает параметр-эффективный файн-тюнинг (Parameter-Efficient Fine-Tuning, PEFT) — набор техник, которые позволяют обновлять лишь небольшую часть весов модели, замораживая основную массу параметров. Самым популярным методом PEFT является LoRA (Low-Rank Adaptation).⁸²

Идея LoRA заключается во «внедрении» в слои внимания трансформера двух небольших, обучаемых матриц низкого ранга. Во время обучения обновляются только веса этих матриц, а не исходные веса модели. В результате, вместо обучения миллионов или миллиардов параметров, обучаются всего несколько тысяч или десятков тысяч. Это на порядок снижает требования к памяти и значительно ускоряет процесс дообучения, при этом часто позволяя достичь производительности, сопоставимой с полным файн-тюнингом.⁸² Библиотека

peft от Hugging Face позволяет легко интегрировать LoRA в процесс обучения любой модели из экосистемы transformers.

Файн-тюнинг представляет собой стратегический компромисс. С одной стороны, универсальные LLM, доступные по API (например, GPT-4o), могут справиться с широчайшим спектром задач парсинга «из коробки», без какой-либо подготовки. С другой стороны, для узкоспециализированной задачи (например, парсинг миллионов однотипных товарных страниц с одного маркетплейса или обработка стандартных счетов-фактур) дообученная и локально развернутая модель T5 будет работать быстрее, дешевле и, с высокой вероятностью, точнее.

Для крупномасштабных, повторяющихся задач парсинга экономически и технически целесообразно инвестировать в создание собственного специализированного решения. Использование техник PEFT, таких как LoRA, делает этот процесс доступным и эффективным. Это обеспечивает полный контроль над моделью и инфраструктурой, предсказуемую стоимость и максимальную производительность в долгосрочной перспективе.

---

Часть IV: Практическая реализация и лучшие практики

Переход от теоретических моделей к работающей системе парсинга требует решения ряда практических задач, от подготовки данных до построения масштабируемой инфраструктуры и соблюдения правовых норм.

Глава 10: Построение надежного конвейера данных — аннотация и курирование наборов данных

Важность качественных данных для обучения моделей

Производительность любой модели машинного обучения, работающей в режиме обучения с учителем (supervised learning), напрямую и в решающей степени зависит от качества обучающих данных.⁸⁷ Принцип «мусор на входе — мусор на выходе» здесь абсолютно справедлив. Для задач парсинга это означает, что для обучения надежной модели необходим набор веб-страниц с точно размеченными (аннотированными) полями, которые мы планируем извлекать. Качественная аннотация характеризуется тремя основными параметрами: точностью (labels reflect the true meaning), последовательностью (annotations are consistent) и полнотой.⁸⁷

Инструменты для аннотации данных (Labeling Tools)

Процесс ручной разметки данных может быть трудоемким, поэтому для его упрощения и ускорения используются специализированные инструменты и платформы.

• Комплексные коммерческие платформы:

• Labelbox: Облачная платформа, предоставляющая инструменты для аннотации текста, изображений и видео. Поддерживает совместную работу, версионирование датасетов, управление онтологиями (схемами разметки) и встроенные механизмы контроля качества.⁸⁹
• SuperAnnotate: Платформа для создания датасетов с поддержкой изображений, видео, текста и данных с LiDAR. Включает продвинутые инструменты для QA, автоматизации разметки (AI-assisted labeling) и управления ML-пайплайнами.⁸⁹
• V7: Платформа, известная своим интуитивно понятным интерфейсом. Особенно сильна в аннотации изображений, видео и медицинских данных, но также поддерживает и работу с документами (PDF).⁸⁹
• Open-source и специализированные инструменты:

• Label Studio: Один из самых популярных open-source инструментов для разметки данных. Отличается высокой гибкостью и возможностью настройки под практически любой тип данных и задачу.⁹¹
• doccano: Легковесный open-source инструмент, сфокусированный исключительно на задачах текстовой аннотации, таких как классификация текста, распознавание именованных сущностей (NER) и задачи sequence-to-sequence.⁹³
• Prodigy: Коммерческий, но очень мощный инструмент от создателей библиотеки spaCy. Его ключевая особенность — ориентация на итеративную аннотацию с использованием модели в цикле (active learning). Модель предлагает аннотатору наиболее неопределенные или сложные примеры, что позволяет создавать качественные датасеты значительно быстрее.⁸⁹

Выбор инструмента зависит от модальности данных (текст, скриншоты), масштаба проекта, бюджета и необходимости в функциях для совместной работы и контроля качества.⁸⁸

Лучшие практики: разработка четких инструкций, контроль качества и обеспечение согласованности

Создание высококачественного набора данных — это строго регламентированный процесс.

• Четкие инструкции (Annotation Guidelines): Перед началом проекта необходимо создать исчерпывающий документ, который детально описывает правила разметки. Он должен включать:

• Точные определения всех классов/меток.
• Правила для обработки неоднозначных и пограничных случаев.
• Большое количество визуальных примеров как правильной, так и неправильной аннотации.⁸⁷

• Обучение и калибровка аннотаторов: Все участники процесса разметки должны пройти обучение по использованию выбранного инструмента и тщательно изучить инструкции. Полезно провести калибровочные сессии, где команда совместно размечает несколько примеров для выработки единого понимания.⁹⁰
• Итеративный процесс и контроль качества (QA):

• Пилотный проект: Начните с разметки небольшой партии данных (50-100 примеров), чтобы протестировать инструкции, выявить «узкие места» и доработать правила перед запуском полномасштабной аннотации.⁸⁸
• Обратная связь: Регулярно проверяйте работу аннотаторов, предоставляйте конструктивную обратную связь и обновляйте инструкции по мере выявления новых неоднозначных случаев.⁸⁷
• Согласованность между аннотаторами (Inter-Annotator Agreement, IAA): Это золотой стандарт оценки качества разметки.

• Методология: Небольшая часть датасета (5-10%) дается на разметку нескольким (обычно 2-3) аннотаторам независимо друг от друга.
• Измерение: Затем рассчитывается метрика согласованности (например, Cohen’s Kappa, Fleiss’ Kappa), которая показывает, насколько их разметка совпадает, с поправкой на случайное совпадение. Низкий показатель IAA (например, < 0.7) является сигналом о том, что инструкции нечеткие, а задача слишком субъективна.⁸⁷
• Разрешение конфликтов (Adjudication): Примеры, по которым аннотаторы разошлись во мнениях, передаются на рассмотрение старшему аннотатору или эксперту в предметной области для принятия окончательного решения. Эти случаи являются ценным источником для улучшения инструкций.⁸⁷

Процесс аннотации данных — это не просто механическая работа по расстановке меток. Это процесс формализации задачи для машины. Неоднозначности и разногласия, которые возникают между аннотаторами, являются бесценным источником информации о внутренней сложности и «подводных камнях» самой задачи парсинга. Они подсвечивают именно те случаи, где нейросетевая модель, скорее всего, будет испытывать трудности и ошибаться. Когда аннотаторы спорят, какую из трех цен на странице товара считать «основной», это означает, что само понятие «основная цена» неоднозначно. Чтобы модель научилась извлекать его правильно, мы должны сначала сами разрешить эту неоднозначность и зафиксировать четкое правило в инструкции. Таким образом, создание качественного датасета через итеративную аннотацию с контролем IAA — это неотъемлемая часть самого процесса моделирования, позволяющая преобразовать неявные человеческие знания в явные и формальные правила, понятные машине.

Глава 11: Архитектура для масштабирования — распределенные системы парсинга

Для парсинга десятков или сотен страниц можно обойтись простым скриптом. Но когда речь идет о сборе данных с тысяч или миллионов URL в непрерывном режиме, на первый план выходит задача построения масштабируемой, отказоустойчивой и эффективной архитектуры.

Архитектурные паттерны: микросервисы и событийно-ориентированная архитектура (Event-Driven Architecture)

• Микросервисная архитектура: Вместо создания одного большого монолитного приложения, система разбивается на набор небольших, независимых и слабосвязанных сервисов, каждый из которых отвечает за свою узкую бизнес-функцию.⁹⁵ В контексте парсинга это могут быть:

• Сервис-планировщик (Scheduler): Формирует очередь URL для парсинга.
• Сервис-загрузчик (Downloader): Скачивает HTML-содержимое страниц, управляет прокси, обрабатывает ошибки сети.
• Сервис-парсер (Parser): Применяет нейросетевую модель для извлечения данных из скачанного HTML.
• Сервис-хранилище (Storage): Сохраняет извлеченные структурированные данные в базу данных.
  Главное преимущество такого подхода — возможность независимого масштабирования. Если узким местом становится загрузка страниц, можно увеличить количество экземпляров сервиса-загрузчика, не затрагивая остальные части системы.96
• Событийно-ориентированная архитектура (Event-Driven Architecture, EDA): В этой парадигме компоненты системы взаимодействуют друг с другом не через прямые вызовы API, а асинхронно, путем обмена событиями (сообщениями).⁹⁵ Например, планировщик не вызывает напрямую загрузчик, а публикует в общую шину событие
  URL_to_scrape. Сервис-загрузчик подписан на этот тип событий, получает его, выполняет свою работу и публикует новое событие HTML_downloaded, на которое, в свою очередь, реагирует сервис-парсер. Этот подход обеспечивает максимальную слабую связанность (loose coupling) компонентов, что повышает отказоустойчивость и общую гибкость системы.

Очереди задач и брокеры сообщений: Celery, RabbitMQ для распределения задач парсинга

Для практической реализации асинхронного взаимодействия и распределения работы в микросервисной архитектуре используются очереди задач и брокеры сообщений.

• RabbitMQ: Это популярный и надежный брокер сообщений, который реализует протокол AMQP. Он выступает в роли центрального «почтового отделения» между сервисами, принимая, храня и доставляя сообщения (задачи) в соответствующие очереди.⁹⁷
• Celery: Это высокоуровневый фреймворк для управления распределенными очередями задач на языке Python. Celery значительно упрощает процесс отправки задач на выполнение в фоновом режиме и их распределения по множеству исполнителей (workers), которые могут быть запущены на разных машинах.⁹⁷

Типичный конвейер парсинга с использованием этой связки выглядит так:

1. Приложение-продюсер (например, планировщик) создает задачу парсинга, вызывая функцию Celery с методом .delay(): scrape_task.delay(url).
2. Celery сериализует задачу и отправляет ее в очередь в RabbitMQ.
3. Свободный Celery-worker (потребитель), запущенный на одном из серверов в кластере, забирает задачу из очереди.
4. Worker выполняет парсинг и сохраняет результат.

Эта архитектура идеально подходит для построения распределенных краулеров, где множество worker’ов могут параллельно обрабатывать тысячи страниц, обеспечивая высокую пропускную способность.⁹⁸

Потоковые платформы: Apache Kafka для построения высокопроизводительных, отказоустойчивых конвейеров данных

Для задач, требующих обработки данных в реальном времени в еще больших масштабах, часто используется Apache Kafka. Это не просто брокер сообщений, а распределенная платформа для потоковой обработки событий (event streaming).¹⁰¹

Ключевые отличия и особенности Kafka:

• Распределенный лог: В основе Kafka лежит концепция персистентного, реплицированного лога. Сообщения не удаляются после прочтения, а хранятся в топиках в течение настраиваемого периода (например, 7 дней). Это позволяет разным потребителям читать один и тот же поток данных независимо и в разное время.¹⁰²
• Высокая пропускная способность и низкая задержка: Kafka спроектирована для обработки миллионов сообщений в секунду, что делает ее идеальной для высоконагруженных систем.¹⁰²
• Горизонтальная масштабируемость и отказоустойчивость: Топики в Kafka делятся на партиции, которые распределяются по разным серверам (брокерам) в кластере. Данные в каждой партиции реплицируются, что гарантирует их сохранность даже при сбое нескольких серверов.¹⁰²

В контексте парсинга, Kafka используется для построения сложных конвейеров обработки данных. Например:

1. Множество парсеров (продюсеры) непрерывно собирают данные с сайтов и публикуют их в топик Kafka scraped_data.
2. Несколько разных сервисов (потребители) могут одновременно подписаться на этот топик: один сервис будет заниматься очисткой и нормализацией данных, второй — применять NLP-модели для анализа тональности, третий — индексировать данные в Elasticsearch для поиска. Все они будут работать параллельно и независимо.¹⁰¹

Выбор между Celery/RabbitMQ и Kafka — это не просто выбор технологии, а выбор между двумя парадигмами. Celery/RabbitMQ — это система, ориентированная на задачи (task-oriented), идеальная для распределения дискретных, независимых заданий (например, «спарсить 1000 сайтов раз в сутки»). Kafka — это система, ориентированная на потоки (stream-oriented), предназначенная для построения непрерывных конвейеров обработки данных в реальном времени (например, «непрерывно отслеживать все новые твиты по ключевому слову и анализировать их»). Для классического пакетного парсинга Celery/RabbitMQ является более простым и достаточным решением. Для построения сложных систем, где данные с парсеров служат источником для множества других сервисов в реальном времени, Kafka предоставляет более мощную и гибкую архитектурную основу.

Параметр	Celery с RabbitMQ	Apache Kafka
Основная парадигма	Очередь задач (Task Queue)	Распределенный лог событий (Distributed Log)
Основное назначение	Распределение и выполнение асинхронных/фоновых задач.	Построение конвейеров потоковой обработки данных в реальном времени.
Персистентность сообщений	Сообщения обычно удаляются после успешной обработки потребителем.	Сообщения хранятся в течение настраиваемого периода (например, 7 дней) независимо от того, были ли они прочитаны.
Модель потребителей	Конкурирующие потребители (competing consumers): одна задача выполняется одним worker’ом.	Publish-subscribe: несколько групп потребителей могут независимо читать один и тот же поток данных.
Масштабируемость	Масштабируется добавлением большего количества worker’ов.	Масштабируется горизонтально добавлением брокеров и партиций в топики.
Пропускная способность	Хорошая, но оптимизирована для задач, а не для потоков.	Очень высокая, спроектирована для миллионов сообщений в секунду.
Сложность настройки и поддержки	Относительно простая.	Более сложная, требует понимания экосистемы (ZooKeeper/KRaft, Connect, Streams).
Типичный сценарий парсинга	Пакетный парсинг: запуск периодических задач по сбору данных с определенного набора сайтов.	Парсинг в реальном времени: непрерывный сбор данных (например, из соцсетей, новостных лент) и их немедленная обработка несколькими сервисами.

Глава 12: Правовой и этический компас веб-парсинга

Веб-парсинг существует в сложной и динамично меняющейся правовой среде. Хотя сама по себе технология не является незаконной, ее применение может нарушать различные законы и нормативные акты. Понимание этих рисков является критически важным для любой организации, занимающейся сбором данных.

Анализ ключевых правовых рамок: CFAA (США), GDPR (ЕС)

• CFAA (Computer Fraud and Abuse Act): Это основной федеральный закон США о борьбе с компьютерными преступлениями. Он запрещает «умышленный доступ к компьютеру без авторизации или с превышением авторизации».¹⁰⁵ В течение многих лет владельцы сайтов пытались использовать CFAA для борьбы с парсингом, утверждая, что нарушение Условий использования сайта (Terms of Service, ToS), запрещающих автоматический сбор данных, является «доступом без авторизации».

• Дело hiQ Labs vs. LinkedIn (2019-2022): Это знаковое судебное разбирательство внесло ясность в данный вопрос. Суд апелляционной инстанции девятого округа США постановил, что парсинг публично доступных данных, для доступа к которым не требуется обход технических средств защиты (таких как логин и пароль), не является нарушением CFAA.¹⁰⁶ Это решение стало важным прецедентом, легитимизировавшим сбор данных из открытых источников.
• Важный нюанс: Решение по делу hiQ не распространяется на данные, находящиеся за системами аутентификации. Попытка обойти логин, подобрать пароль или использовать украденные учетные данные для доступа к закрытым разделам сайта по-прежнему будет являться явным нарушением CFAA.¹⁰⁵
• GDPR (General Data Protection Regulation): Общий регламент по защите данных Европейского союза является одним из самых строгих в мире законов о конфиденциальности.

• Определение персональных данных: GDPR трактует «персональные данные» чрезвычайно широко — это любая информация, относящаяся к идентифицированному или идентифицируемому физическому лицу. Сюда входят не только очевидные вещи (имена, email, фото), но и онлайн-идентификаторы, такие как IP-адреса, cookie-файлы и т.д..¹⁰⁶
• Применимость к парсингу: Если в процессе парсинга собираются любые данные, которые могут быть отнесены к гражданам и резидентам ЕС, деятельность подпадает под действие GDPR, независимо от местонахождения самой компании-парсера.
• Ключевые требования: Для законной обработки персональных данных необходимо иметь одно из шести законных оснований (например, явное согласие субъекта данных), соблюдать принципы минимизации данных (собирать только то, что необходимо), прозрачности (информировать субъектов о сборе и целях) и обеспечивать права субъектов (право на доступ, исправление, удаление данных и т.д.).¹⁰⁶ Важно отметить, что публичный характер данных не освобождает от обязательств по GDPR.

Значение robots.txt, Условий использования (Terms of Service) и авторского права

• robots.txt: Это текстовый файл, который владельцы сайтов размещают в корневом каталоге для предоставления инструкций поисковым роботам и другим ботам. В нем указываются директивы Allow и Disallow, определяющие, какие разделы сайта можно и нельзя сканировать.¹⁰⁹
• Юридический статус: robots.txt не является юридически обязывающим документом. Это стандарт исключений для роботов, основанный на добровольном соблюдении. Однако систематическое и умышленное игнорирование robots.txt может быть расценено судом как доказательство недобросовестного поведения и злого умысла.¹⁰⁶
• Условия использования (Terms of Service, ToS): Это публичная оферта, которую пользователь принимает, используя сайт. Многие ToS содержат пункты, прямо запрещающие автоматический сбор данных (парсинг).
• Юридический статус: Нарушение ToS является, в первую очередь, нарушением договора (breach of contract). Владелец сайта имеет право подать гражданский иск о возмещении ущерба или, что более вероятно, заблокировать доступ нарушителю по IP-адресу или другим признакам.¹⁰⁵
• Авторское право (Copyright): Большая часть контента в интернете — тексты, изображения, видео, дизайн — является объектом авторского права.

• Нарушение: Массовое копирование, переиздание или коммерческое использование этого контента без разрешения правообладателя является прямым нарушением авторского права.¹⁰⁶
• Доктрина «добросовестного использования» (Fair Use): В законодательстве США существует доктрина Fair Use, которая допускает ограниченное использование защищенных материалов без разрешения для таких целей, как критика, комментирование, новостное освещение, обучение и исследования. Однако границы Fair Use очень размыты и определяются судом в каждом конкретном случае.¹⁰⁸

Этические соображения: нагрузка на серверы, обработка персональных данных и прозрачность

Помимо строгих юридических норм, существует и этическая сторона вопроса.

• Нагрузка на серверы: Агрессивный парсинг с высокой частотой запросов может создавать значительную нагрузку на инфраструктуру целевого сайта, замедляя его работу для обычных пользователей или даже приводя к отказу в обслуживании (эффект DDoS-атаки). Этичной практикой является ограничение частоты запросов (rate limiting), отправка запросов в часы наименьшей активности (например, ночью) и уважение директив Crawl-delay в robots.txt.¹⁰⁶
• Прозрачность: Добросовестные парсеры должны идентифицировать себя. Использование корректного и информативного User-Agent в HTTP-запросах, который содержит название вашего проекта и контактную информацию, является хорошим тоном.

Юридический ландшафт веб-парсинга претерпел значительные изменения. Если раньше основной правовой угрозой для парсеров был CFAA и попытки приравнять их деятельность к «взлому», то решение по делу hiQ v. LinkedIn сместило фокус. Оно провело четкую границу: парсинг общедоступной информации не является неавторизованным доступом. Это ослабило позиции тех, кто пытался полностью запретить сбор публичных данных. Однако одновременно с этим произошло ужесточение законодательства в области защиты персональных данных (прежде всего GDPR) и усилилось внимание к вопросам авторского права. Теперь ключевым становится не вопрос «как были получены данные», а вопрос «какие это данные и как они используются». Если собираемые данные содержат персональную информацию или объекты авторского права, вступают в силу соответствующие правовые режимы, требующие от парсера соблюдения строгих правил и получения необходимых разрешений.

---

Часть V: Будущее веб-парсинга — автономные агенты и далее

Эволюция технологий извлечения данных не останавливается на создании робастных моделей. Следующий качественный скачок — это переход от пассивного сбора информации к активному взаимодействию с веб-средой с помощью автономных агентов.

Глава 13: Становление автономных веб-агентов

От извлечения данных к выполнению задач: новые возможности LLM-агентов

Традиционный парсинг по своей природе пассивен: он извлекает информацию, которая уже отображена на странице. Автономные веб-агенты, напротив, являются активными сущностями. Они способны выполнять последовательность действий — кликать по кнопкам, заполнять формы, переходить по ссылкам — для достижения сложной, многошаговой цели, поставленной пользователем.¹¹¹

Примеры задач для таких агентов выходят далеко за рамки простого извлечения данных:

• «Найди на сайте Nike все белые кроссовки модели Air Force 1 размера 43, добавь их в корзину и перейди на страницу оформления заказа».¹¹¹
• «Собери информацию о пяти лучших итальянских ресторанах в моем районе с Yelp, сравни их меню и средний чек, а затем забронируй столик на двоих в самом подходящем на завтра в 19:00».
• «Войди в мой личный кабинет на сайте авиакомпании, найди мой предстоящий рейс и зарегистрируй меня на него, выбрав место у окна».

Архитектура типичного LLM-агента представляет собой цикл «мысль-действие-наблюдение» (reason-act-observe). В этом цикле LLM выступает в роли «мозга», который анализирует текущее состояние (наблюдение), планирует следующее действие и выбирает подходящий инструмент. В качестве инструментов (tools) выступают модули для взаимодействия с окружением, в первую очередь, управляемый браузер (например, через Playwright или Selenium). Память агента используется для хранения истории действий и наблюдений, что позволяет ему выполнять долгосрочное планирование.¹¹³

Текущие вызовы: навигация по динамическим сайтам, обработка сложных взаимодействий и долгосрочное планирование

Несмотря на впечатляющие демонстрации, создание по-настоящему надежных автономных агентов сталкивается с серьезными проблемами:

• Разнообразие и динамичность веба: Интернет огромен и гетерогенен. Агенты, успешно работающие на нескольких заранее известных сайтах, часто терпят неудачу при столкновении с «длинным хвостом» веб-ресурсов, имеющих незнакомую верстку, нестандартные элементы управления и уникальные паттерны взаимодействия.¹¹²
• Проблема «ошибочных состояний» и отсутствие отката: Агент может совершить неверное действие (например, кликнуть не на ту ссылку) и попасть в тупиковое состояние, из которого не сможет выбраться. Большинство современных агентов используют «жадную» (greedy) стратегию, выбирая на каждом шаге наиболее вероятное действие, и не имеют механизма для возврата назад и исследования альтернативных путей.¹¹³ Решением этой проблемы может стать внедрение явного
  механизма отката (rollback), который позволяет агенту программно возвращаться к предыдущим состояниям в своей траектории навигации и пробовать другие последовательности действий.¹¹³
• Необходимость живого взаимодействия: Часто требуемая информация или элементы управления появляются на странице только после выполнения определенных действий пользователем (например, выбора опции в выпадающем списке или заполнения формы). Это делает невозможным предварительное индексирование сайта и требует от агента работы в реальном времени, что увеличивает время выполнения и вероятность ошибок.¹¹²

Перспективы развития: создание веб-интерфейсов, оптимизированных для агентов

Многие из текущих проблем связаны с фундаментальным несоответствием: современные веб-интерфейсы спроектированы для людей, которые полагаются на свое визуальное восприятие, интуицию и прошлый опыт. LLM-агенты же «воспринимают» мир через HTML-код, скриншоты или accessibility-деревья, что создает принципиальный разрыв в способах взаимодействия.¹¹¹

Это приводит к формированию новой исследовательской парадигмы: вместо того чтобы бесконечно усложнять агентов, заставляя их адаптироваться к «человеческим» интерфейсам, возможно, более продуктивным путем является создание нового типа веб-интерфейсов, изначально оптимизированных для AI-агентов.¹¹¹ Это может быть некий стандартизированный машиночитаемый слой (подобный API), который сайт предоставляет параллельно с обычным визуальным интерфейсом. Такой слой мог бы в структурированном виде описывать доступные на странице сущности, их свойства и возможные действия, избавляя агента от необходимости сложного и ненадежного парсинга HTML.

Проект BardeenAgent является примером движения в этом направлении. Вместо того чтобы просто выполнять действия, этот агент сначала взаимодействует с одним элементом в списке или таблице, чтобы создать программу (набор обобщенных CSS-селекторов и последовательность действий). Затем он повторяет эту программу для всех остальных однотипных элементов на странице, эффективно используя регулярную структуру HTML для масштабирования извлечения данных.¹¹²

Появление автономных агентов завершает эволюционный цикл веб-парсинга. Если традиционный парсинг можно сравнить с «чтением» веба, то агенты — это «чтение и письмо». Это не просто количественное улучшение, а качественный скачок, который потенциально превращает веб из пассивного источника данных в интерактивную среду для автоматизированного выполнения задач. Однако этот скачок обнажает фундаментальную проблему: веб был создан не для машин. Подобно тому, как автомобили потребовали создания дорог вместо мощеных улиц, по-настоящему эффективные и надежные веб-агенты могут потребовать не только улучшения самих AI-моделей, но и фундаментального переосмысления архитектуры самого веба, чтобы он стал более «дружелюбным к агентам». Будущее крупномасштабного и надежного взаимодействия с вебом, вероятно, лежит в синергии этих двух направлений.

Заключение

Парсинг веб-сайтов с помощью нейронных сетей прошел стремительный путь эволюции, превратившись из академической концепции в мощный набор практических инструментов. Мы наблюдаем фундаментальный сдвиг от хрупких, основанных на правилах парсеров к интеллектуальным системам, способным понимать веб-страницы на семантическом, структурном и визуальном уровнях.

1. Мультимодальность — ключ к робастности. Анализ показал, что ни одна модальность представления данных (текст, структура, изображение) не является самодостаточной. Максимальная точность и устойчивость к изменениям достигаются за счет синергии, когда модели одновременно анализируют что написано (текст), где это написано (макет) и как это встроено в общую структуру (DOM). Унифицированные архитектуры, такие как WebLM и UDOP, являются авангардом этого направления.
2. LLM как универсальный инструмент парсинга. Большие языковые модели демократизировали доступ к AI-парсингу. Возможность извлечения структурированных данных с помощью промптов в режиме zero-shot, особенно с использованием функций принудительного JSON-вывода, кардинально снижает порог входа и затраты на разработку. Фреймворки, такие как LlamaIndex и ScrapeGraphAI, а также коммерческие платформы вроде Zyte и Apify, инкапсулируют сложность взаимодействия с LLM, делая технологию доступной для широкого круга специалистов.
3. Специализация через файн-тюнинг. Для крупномасштабных, повторяющихся задач парсинга однотипных документов, дообучение (fine-tuning) более компактных моделей, таких как T5, с использованием параметр-эффективных методов (PEFT/LoRA) представляет собой экономически и технически выгодную альтернативу использованию дорогих универсальных API. Это обеспечивает оптимальное соотношение производительности, стоимости и контроля.
4. Важность инфраструктуры и правовых аспектов. По мере роста масштабов парсинга критически важными становятся вопросы архитектуры. Выбор между системами, ориентированными на задачи (Celery/RabbitMQ), и системами, ориентированными на потоки (Apache Kafka), должен основываться на специфике проекта. Одновременно с этим, нельзя игнорировать сложный правовой ландшафт, в котором ключевую роль играют законодательство о защите персональных данных (GDPR) и авторское право.
5. Будущее за автономными агентами. Следующий рубеж — это переход от пассивного извлечения данных к активному выполнению задач с помощью автономных веб-агентов. Хотя эта область сталкивается с серьезными вызовами в плане надежности и навигации, она обещает полностью изменить наше взаимодействие с вебом. Успех в этой области будет зависеть не только от совершенствования AI, но и, возможно, от создания новых, машиночитаемых стандартов для веб-интерфейсов.

В заключение, нейросетевой парсинг — это уже не будущее, а настоящее извлечения веб-данных. Технологии, рассмотренные в данном отчете, предоставляют разработчикам и аналитикам беспрецедентные возможности для создания интеллектуальных, адаптивных и масштабируемых систем сбора информации, открывая новые горизонты для бизнеса, науки и общества.

Источники

1. 10 Web Scraping Challenges and Best Practices — PromptCloud, дата последнего обращения: июня 23, 2025, https://www.promptcloud.com/blog/web-scraping-challenges/
2. WebFormer: The Next Logical Step In Structure Information Extraction — Wandb, дата последнего обращения: июня 23, 2025, https://wandb.ai/onlineinference/paper-reading/reports/WebFormer-The-Next-Logical-Step-In-Structure-Information-Extraction—VmlldzoxNTM3MDQ1
3. How to scrape data from thousands of websites with different html structure (so maybe without using html tag) with nodejs? — Stack Overflow, дата последнего обращения: июня 23, 2025, https://stackoverflow.com/questions/70074917/how-to-scrape-data-from-thousands-of-websites-with-different-html-structure-so
4. Screen Scraping Explained: How It Works and Why It Matters — Zyte, дата последнего обращения: июня 23, 2025, https://www.zyte.com/learn/screen-scraping-explained/
5. GPT 4 and Web Scraping: What It Can and Can’t Do — PromptCloud, дата последнего обращения: июня 23, 2025, https://www.promptcloud.com/blog/web-scraping-using-gpt-4/
6. Python Web Scraping Tutorial — GeeksforGeeks, дата последнего обращения: июня 23, 2025, https://www.geeksforgeeks.org/python/python-web-scraping-tutorial/
7. Using Puppeteer for Dynamic Web Scraping — Glinteco, дата последнего обращения: июня 23, 2025, https://glinteco.com/en/post/using-puppeteer-for-dynamic-web-scraping/
8. Extract Content From Websites Automatically — Diffbot, дата последнего обращения: июня 23, 2025, https://www.diffbot.com/products/extract/
9. Webscraping with AI: Revolutionising Data Extraction Techniques, дата последнего обращения: июня 23, 2025, https://webscrapeai.com/blogs/blogsContent/webscraping-with-ai-revolutionising-data-extraction-techniques
10. Visual-based Web Scraping: Using power of multimodal LLMs to Dynamic Web Content Extraction — Neurogenou, дата последнего обращения: июня 23, 2025, https://neurogenou.com/2025/02/18/visual-based-web-scraping-using-power-of-multimodal-llms-to-dynamic-web-content-extraction/
11. How to do Web Scraping with LLMs for Your Next AI Project? — ProjectPro, дата последнего обращения: июня 23, 2025, https://www.projectpro.io/article/web-scraping-with-llms/1081
12. How LLM Web Scraping Transforms Data Extraction and Processing? — PromptCloud, дата последнего обращения: июня 23, 2025, https://www.promptcloud.com/blog/llm-web-scraping-for-data-extraction/
13. WebQuality: A Large-scale Multi-modal Web Page Quality Assessment Dataset with Multiple Scoring Dimensions — ACL Anthology, дата последнего обращения: июня 23, 2025, https://aclanthology.org/2025.naacl-long.25.pdf
14. arxiv.org, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2402.18262v1
15. [2212.02623] Unifying Vision, Text, and Layout for Universal Document Processing — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/abs/2212.02623
16. What is Computer Vision? — IBM, дата последнего обращения: июня 23, 2025, https://www.ibm.com/think/topics/computer-vision
17. Using Computer Vision in Web Scraping Applications — InstantAPI.ai, дата последнего обращения: июня 23, 2025, https://web.instantapi.ai/blog/using-computer-vision-in-web-scraping-applications/
18. How to use Puppeteer for web scraping — Apify Blog, дата последнего обращения: июня 23, 2025, https://blog.apify.com/puppeteer-web-scraping-tutorial/
19. LayoutLM — Hugging Face, дата последнего обращения: июня 23, 2025, https://huggingface.co/docs/transformers/model_doc/layoutlm
20. UI-Elements-Detection-Dataset — Kaggle, дата последнего обращения: июня 23, 2025, https://www.kaggle.com/datasets/daudaudinang/ui-elements-detection-dataset
21. YashJain/UI-Elements-Detection-Dataset — Hugging Face, дата последнего обращения: июня 23, 2025, https://huggingface.co/datasets/YashJain/UI-Elements-Detection-Dataset
22. Web UI Element Detection Object Detection Dataset by pramanarendra — Roboflow Universe, дата последнего обращения: июня 23, 2025, https://universe.roboflow.com/pramanarendra/web-ui-element-detection
23. dataset-v2 Object Detection Dataset and Pre-Trained Model by UIbitz — Roboflow Universe, дата последнего обращения: июня 23, 2025, https://universe.roboflow.com/uibitz/dataset-v2
24. What is Screen Scraping? And How Does It Work? | A Complete Guide — Fortra’s Automate, дата последнего обращения: июня 23, 2025, https://automate.fortra.com/resources/guides/what-is-screen-scraping-and-how-does-it-work
25. PLM-GNN: A Webpage Classification Method based on Joint … — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/pdf/2305.05378
26. Graph Machine Learning — AI for Science 101, дата последнего обращения: июня 23, 2025, https://ai4science101.github.io/blogs/graph_machine_learning/
27. Graph Representation Learning — GeeksforGeeks, дата последнего обращения: июня 23, 2025, https://www.geeksforgeeks.org/data-science/graph-representation-learning/
28. GROWN+UP: A “Graph Representation Of a Webpage … — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/pdf/2208.02252
29. On-device content distillation with graph neural networks, дата последнего обращения: июня 23, 2025, https://research.google/blog/on-device-content-distillation-with-graph-neural-networks/
30. The evolution of graph learning — Google Research, дата последнего обращения: июня 23, 2025, https://research.google/blog/the-evolution-of-graph-learning/
31. Hypertext Entity Extraction in Webpage — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2403.01698v1
32. Combining Language and Graph Models for Semi-structured Information Extraction on the Web — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2402.14129v1
33. [2210.03945] Understanding HTML with Large Language Models, дата последнего обращения: июня 23, 2025, https://ar5iv.labs.arxiv.org/html/2210.03945
34. Web Image Context Extraction with Graph Neural Networks and Sentence Embeddings on the DOM Tree | Request PDF — ResearchGate, дата последнего обращения: июня 23, 2025, https://www.researchgate.net/publication/358682791_Web_Image_Context_Extraction_with_Graph_Neural_Networks_and_Sentence_Embeddings_on_the_DOM_Tree
35. Web Image Context Extraction with Graph Neural Networks and Sentence Embeddings on the DOM tree — ResearchGate, дата последнего обращения: июня 23, 2025, https://www.researchgate.net/publication/354158116_Web_Image_Context_Extraction_with_Graph_Neural_Networks_and_Sentence_Embeddings_on_the_DOM_tree
36. Choosing the Right Language Model for Your NLP Project: A Comprehensive Comparison and Guide — Promact, дата последнего обращения: июня 23, 2025, https://promactinfo.com/blogs/choosing-the-right-language-model-for-your-nlp-project-a-comprehensive-comparison-and-guide
37. I made a method for extracting structured web page data for LLMs. Is it useful? — Reddit, дата последнего обращения: июня 23, 2025, https://www.reddit.com/r/ChatGPTCoding/comments/1hojl7n/i_made_a_method_for_extracting_structured_web/
38. Web Scraping with Gemini AI in Python – Step-by-Step Guide — Bright Data, дата последнего обращения: июня 23, 2025, https://brightdata.com/blog/web-data/web-scraping-with-gemini
39. MarkupLM — Hugging Face, дата последнего обращения: июня 23, 2025, https://huggingface.co/docs/transformers/model_doc/markuplm
40. Leveraging Large Language Models for Web Scraping — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/pdf/2406.08246?
41. Convolutional Neural Networks and Vision Transformers for Fashion MNIST Classification: A Literature Review — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2406.03478v1
42. CNN Explainer — Polo Club of Data Science, дата последнего обращения: июня 23, 2025, https://poloclub.github.io/cnn-explainer/
43. Modulating CNN Features with Pre-Trained ViT Representations for Open-Vocabulary Object Detection — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2501.16981v1
44. A survey of the Vision Transformers and their CNN … — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/pdf/2305.09880
45. Transformers in Small Object Detection: A Benchmark and Survey of State-of-the-Art — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/abs/2309.04902
46. Modulating CNN Features with Pre-Trained ViT Representations for Open-Vocabulary Object Detection — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2501.16981v3
47. Introduction to Graph Machine Learning — Hugging Face, дата последнего обращения: июня 23, 2025, https://huggingface.co/blog/intro-graphml
48. Transformers and Language Models in Form Understanding: A Comprehensive Review of Scanned Document Analysis — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2403.04080v1
49. unilm/markuplm/README.md at master · microsoft/unilm · GitHub, дата последнего обращения: июня 23, 2025, https://github.com/microsoft/unilm/blob/master/markuplm/README.md
50. transformers/docs/source/en/model_doc/markuplm.md at main — GitHub, дата последнего обращения: июня 23, 2025, https://github.com/huggingface/transformers/blob/main/docs/source/en/model_doc/markuplm.md
51. Paper page — Unifying Vision, Text, and Layout for Universal …, дата последнего обращения: июня 23, 2025, https://huggingface.co/papers/2212.02623
52. (PDF) Unifying Vision, Text, and Layout for Universal Document Processing — ResearchGate, дата последнего обращения: июня 23, 2025, https://www.researchgate.net/publication/366063398_Unifying_Vision_Text_and_Layout_for_Universal_Document_Processing
53. Web Scraping With LLMs, ScrapeGraphAI, and LangChain — DZone, дата последнего обращения: июня 23, 2025, https://dzone.com/articles/web-scraping-with-llm-scrapegraphai-langchain
54. How can I extract information from a website using gemini api — Google AI Developers Forum, дата последнего обращения: июня 23, 2025, https://discuss.ai.google.dev/t/how-can-i-extract-information-from-a-website-using-gemini-api/47033
55. Web Scraping with LLMs and ScrapeGraphAI — Analytics Vidhya, дата последнего обращения: июня 23, 2025, https://www.analyticsvidhya.com/blog/2025/01/web-scraping-with-llms-and-scrapegraphai/
56. Transform documents into structured data with GPT-4 — Airparser, дата последнего обращения: июня 23, 2025, https://airparser.com/blog/transform-documents-into-structured-data-with-gpt-4/
57. Ai Web Scraper — Natural language and Vision scraper — Apify, дата последнего обращения: июня 23, 2025, https://apify.com/eloquent_mountain/ai-universal-web-scraper-natural-language
58. Structured output | Gemini API | Google AI for Developers, дата последнего обращения: июня 23, 2025, https://ai.google.dev/gemini-api/docs/structured-output
59. Web Scraping with Claude: AI-Powered Parsing in Python — Bright Data, дата последнего обращения: июня 23, 2025, https://brightdata.com/blog/web-data/web-scraping-with-claude
60. AI Web Scraping Structured Data: Mastering Data Extraction Techniques (feat. Claude Sonnet 3.5) | Bubble Tutorial — Planet No Code, дата последнего обращения: июня 23, 2025, https://www.planetnocode.com/tutorial/ai-web-scraping-structured-data-mastering-data-extraction-techniques-feat-claude-sonnet-3-5
61. Build with Claude — Anthropic, дата последнего обращения: июня 23, 2025, https://www.anthropic.com/api
62. Universal AI GPT Scraper — Apify, дата последнего обращения: июня 23, 2025, https://apify.com/louisdeconinck/ai-gpt-scraper
63. Introducing Structured Outputs in the API — OpenAI, дата последнего обращения: июня 23, 2025, https://openai.com/index/introducing-structured-outputs-in-the-api/
64. Evaluate/Verify Extracted Structure Data — API — OpenAI Developer Community, дата последнего обращения: июня 23, 2025, https://community.openai.com/t/evaluate-verify-extracted-structure-data/1227288
65. Overview — ScrapeGraphAI documentation, дата последнего обращения: июня 23, 2025, https://scrapegraph-ai.readthedocs.io/en/latest/introduction/overview.html
66. Structured Data Extraction — LlamaIndex, дата последнего обращения: июня 23, 2025, https://docs.llamaindex.ai/en/stable/use_cases/extraction/
67. Web Page Reader — LlamaIndex, дата последнего обращения: июня 23, 2025, https://docs.llamaindex.ai/en/stable/examples/data_connectors/WebPageDemo/
68. Structured Data Extraction — LlamaIndex, дата последнего обращения: июня 23, 2025, https://docs.llamaindex.ai/en/v0.10.23/use_cases/extraction/
69. Querying — LlamaIndex, дата последнего обращения: июня 23, 2025, https://docs.llamaindex.ai/en/stable/understanding/querying/querying/
70. Structured Data Extraction — LlamaIndex v0.10.19, дата последнего обращения: июня 23, 2025, https://docs.llamaindex.ai/en/v0.10.19/use_cases/extraction.html
71. ScrapeGraphAI Tutorial — Getting Started with LLMs Web Scraping — netnut.io, дата последнего обращения: июня 23, 2025, https://netnut.io/scrapegraphai-tutorial/
72. Revolutionizing Web Scraping with ScrapeGraphAI: A Comprehensive Guide — Toolify.ai, дата последнего обращения: июня 23, 2025, https://www.toolify.ai/ai-news/revolutionizing-web-scraping-with-scrapegraphai-a-comprehensive-guide-3405853
73. Automate internal processes with web data extraction — Zyte, дата последнего обращения: июня 23, 2025, https://www.zyte.com/business-automation/
74. How to meet your data extraction deadlines with AI power — Zyte, дата последнего обращения: июня 23, 2025, https://www.zyte.com/blog/how-to-meet-data-extraction-deadlines-ai-power/
75. Automatic Extraction: Better web data with less hassle — Zyte, дата последнего обращения: июня 23, 2025, https://www.zyte.com/blog/automatic-extraction-data-extractor-review/
76. ScrapeGraphAI vs Diffbot: Which Data Extractor Wins in 2025, дата последнего обращения: июня 23, 2025, https://scrapegraphai.com/blog/scrapegraph-vs-diffbot/
77. Diffbot | Knowledge Graph, AI Web Data Extraction and Crawling, дата последнего обращения: июня 23, 2025, https://www.diffbot.com/
78. AI Vision Web Scraper | Automate Any Website Task — Apify, дата последнего обращения: июня 23, 2025, https://apify.com/zscrape/ai-vision-scraper
79. Browse AI: Scrape and Monitor Data from Any Website with No Code, дата последнего обращения: июня 23, 2025, https://www.browse.ai/
80. Data to Text generation with T5; Building a simple yet advanced NLG model, дата последнего обращения: июня 23, 2025, https://towardsdatascience.com/data-to-text-generation-with-t5-building-a-simple-yet-advanced-nlg-model-b5cce5a6df45/
81. T5 — Hugging Face, дата последнего обращения: июня 23, 2025, https://huggingface.co/docs/transformers/model_doc/t5
82. GitHub Tag Generator with T5 + PEFT (LoRA) — Hugging Face Open-Source AI Cookbook, дата последнего обращения: июня 23, 2025, https://huggingface.co/learn/cookbook/finetune_t5_for_search_tag_generation
83. neuralmind-ai/information-extraction-t5 — GitHub, дата последнего обращения: июня 23, 2025, https://github.com/neuralmind-ai/information-extraction-t5
84. FLAN-T5 Tutorial: Guide and Fine-Tuning — DataCamp, дата последнего обращения: июня 23, 2025, https://www.datacamp.com/tutorial/flan-t5-tutorial
85. Text Summarization with FLAN-T5 — AMD ROCm™ Blogs, дата последнего обращения: июня 23, 2025, https://rocm.blogs.amd.com/artificial-intelligence/FlanT5/README.html
86. How to train FLAN-T5 to summarization task with a custom dataset of legal documents in pt-br? — Stack Overflow, дата последнего обращения: июня 23, 2025, https://stackoverflow.com/questions/75474086/how-to-train-flan-t5-to-summarization-task-with-a-custom-dataset-of-legal-docume
87. Mastering Data Annotation Techniques — Number Analytics, дата последнего обращения: июня 23, 2025, https://www.numberanalytics.com/blog/ultimate-guide-data-annotation-linguistic-methods
88. Data Annotation: Your Complete Guide, дата последнего обращения: июня 23, 2025, https://labelyourdata.com/articles/data-annotation
89. 10 Best Data Annotation Platforms of 2025: Essential Tools for AI and Machine Learning, дата последнего обращения: июня 23, 2025, https://www.labelvisor.com/10-best-data-annotation-platforms-of-2025-essential-tools-for-ai-and-machine-learning/
90. Data Annotation Guide: Benefits, Examples, Python and BPO — Quantanite, дата последнего обращения: июня 23, 2025, https://www.quantanite.com/blog/data-annotation-guide-benefits-examples-python-and-bpo/
91. Top 6 Annotation Tools for HITL LLMs Evaluation and Domain-Specific AI Model Training, дата последнего обращения: июня 23, 2025, https://www.johnsnowlabs.com/top-6-annotation-tools-for-hitl-llms-evaluation-and-domain-specific-ai-model-training/
92. 10 Best Data Annotation and Data Labeling Tools in 2025 | BasicAI’s Blog, дата последнего обращения: июня 23, 2025, https://www.basic.ai/blog-post/top-10-best-data-annotation-data-labeling-tools-2024
93. zenml-io/awesome-open-data-annotation: Open Source Data Annotation & Labeling Tools, дата последнего обращения: июня 23, 2025, https://github.com/zenml-io/awesome-open-data-annotation
94. A Beginner’s Guide to Data Annotation | Start Here — Tinkogroup, дата последнего обращения: июня 23, 2025, https://tinkogroup.com/data-annotation-guide/
95. Top 7 Software Architecture Patterns for Scalable Systems — IT Supply Chain, дата последнего обращения: июня 23, 2025, https://itsupplychain.com/top-7-software-architecture-patterns-for-scalable-systems/
96. Guide for Designing Highly Scalable Systems — GeeksforGeeks, дата последнего обращения: июня 23, 2025, https://www.geeksforgeeks.org/system-design/guide-for-designing-highly-scalable-systems/
97. Web Scraping With Celery & RabbitMQ — How to Run Thousands of Scrapers Without Losing Your Mind | ScrapeOps, дата последнего обращения: июня 23, 2025, https://scrapeops.io/web-scraping-playbook/celery-rabbitmq-scraper-scheduling/
98. 7. Distributing Tasks with Celery | Parallel Programming with Python — Packt Subscription, дата последнего обращения: июня 23, 2025, https://subscription-non-live.prod.packtpub.com/book/programming/9781783288397/7/ch07lvl1sec43/using-celery-to-make-a-distributed-web-crawler
99. Distributed Web Crawling Made Easy: System and Architecture — ZenRows, дата последнего обращения: июня 23, 2025, https://www.zenrows.com/blog/distributed-web-crawling
100. milan1310/distributed-scrapy-scraping — GitHub, дата последнего обращения: июня 23, 2025, https://github.com/milan1310/distributed-scrapy-scraping
101. How To Use Apache Kafka For Real-Time Web Scraping — ITS, дата последнего обращения: июня 23, 2025, https://it-s.com/how-to-use-apache-kafka-for-real-time-web-scraping/
102. Kafka Architecture — GeeksforGeeks, дата последнего обращения: июня 23, 2025, https://www.geeksforgeeks.org/kafka-architecture/
103. How to Build a Scalable Data Ingestion Pipeline with Apache Kafka — CelerData, дата последнего обращения: июня 23, 2025, https://celerdata.com/glossary/scalable-data-ingestion-pipeline-with-apache-kafka
104. Scaling Web Scraping with Data Streaming, Agentic AI, and GenAI — Confluent, дата последнего обращения: июня 23, 2025, https://www.confluent.io/blog/real-time-web-scraping/
105. The Legal Landscape of Web Scraping — Quinn Emanuel, дата последнего обращения: июня 23, 2025, https://www.quinnemanuel.com/the-firm/publications/the-legal-landscape-of-web-scraping/
106. Is Website Scraping Legal? All You Need to Know — GDPR Local, дата последнего обращения: июня 23, 2025, https://gdprlocal.com/is-website-scraping-legal-all-you-need-to-know/
107. Is web scraping legal in 2024? — DataDome, дата последнего обращения: июня 23, 2025, https://datadome.co/guides/scraping/is-it-legal/
108. Understanding the Legal Landscape of Web Scraping, дата последнего обращения: июня 23, 2025, https://web.instantapi.ai/blog/understanding-the-legal-landscape-of-web-scraping/
109. Scrapers selectively respect robots.txt directives: evidence from a large-scale empirical study — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2505.21733v1
110. Is Web Scraping Legal? Yes, If You Do It Right — HasData, дата последнего обращения: июня 23, 2025, https://hasdata.com/blog/is-web-scraping-legal
111. Build the web for agents, not agents for the web — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2506.10953v1
112. WebLists: Extracting Structured Information From Complex …, дата последнего обращения: июня 23, 2025, https://www.arxiv.org/pdf/2504.12682
113. arXiv:2504.11788v1 [cs.CL] 16 Apr 2025, дата последнего обращения: июня 23, 2025, https://arxiv.org/pdf/2504.11788
114. WebLists: Extracting Structured Information From Complex Interactive Websites Using Executable LLM Agents — arXiv, дата последнего обращения: июня 23, 2025, https://arxiv.org/html/2504.12682v1