AutoCrawler: Un Agente Web de Comprensión Progresiva para la Generación de Rastreadores Web

AutoCrawler: A Progressive Understanding Web Agent for Web Crawler Generation

April 19, 2024

Autores: Wenhao Huang, Chenghao Peng, Zhixu Li, Jiaqing Liang, Yanghua Xiao, Liqian Wen, Zulong Chen

cs.AI

Resumen

La automatización web es una técnica importante que realiza tareas web complejas mediante la automatización de acciones web comunes, mejorando la eficiencia operativa y reduciendo la necesidad de intervención manual. Los métodos tradicionales, como los wrappers, presentan limitaciones en adaptabilidad y escalabilidad cuando se enfrentan a un nuevo sitio web. Por otro lado, los agentes generativos potenciados por modelos de lenguaje grandes (LLMs) muestran un rendimiento y reutilización deficientes en escenarios de mundo abierto. En este trabajo, introducimos una tarea de generación de rastreadores para páginas web de información vertical y el paradigma de combinar LLMs con rastreadores, lo que ayuda a los rastreadores a manejar entornos web diversos y cambiantes de manera más eficiente. Proponemos AutoCrawler, un marco de dos etapas que aprovecha la estructura jerárquica del HTML para una comprensión progresiva. A través de operaciones de arriba hacia abajo y de retroceso, AutoCrawler puede aprender de acciones erróneas y podar continuamente el HTML para una mejor generación de acciones. Realizamos experimentos exhaustivos con múltiples LLMs y demostramos la efectividad de nuestro marco. Los recursos de este artículo se pueden encontrar en https://github.com/EZ-hwh/AutoCrawler.

English

Web automation is a significant technique that accomplishes complicated web tasks by automating common web actions, enhancing operational efficiency, and reducing the need for manual intervention. Traditional methods, such as wrappers, suffer from limited adaptability and scalability when faced with a new website. On the other hand, generative agents empowered by large language models (LLMs) exhibit poor performance and reusability in open-world scenarios. In this work, we introduce a crawler generation task for vertical information web pages and the paradigm of combining LLMs with crawlers, which helps crawlers handle diverse and changing web environments more efficiently. We propose AutoCrawler, a two-stage framework that leverages the hierarchical structure of HTML for progressive understanding. Through top-down and step-back operations, AutoCrawler can learn from erroneous actions and continuously prune HTML for better action generation. We conduct comprehensive experiments with multiple LLMs and demonstrate the effectiveness of our framework. Resources of this paper can be found at https://github.com/EZ-hwh/AutoCrawler