AutoCrawler : Un agent web à compréhension progressive pour la génération de crawlers

AutoCrawler: A Progressive Understanding Web Agent for Web Crawler Generation

April 19, 2024

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

cs.AI

Résumé

L'automatisation web est une technique importante qui permet d'accomplir des tâches web complexes en automatisant les actions web courantes, améliorant ainsi l'efficacité opérationnelle et réduisant le besoin d'intervention manuelle. Les méthodes traditionnelles, telles que les wrappers, souffrent d'une adaptabilité et d'une évolutivité limitées face à un nouveau site web. D'un autre côté, les agents génératifs alimentés par des modèles de langage de grande taille (LLMs) montrent des performances et une réutilisabilité médiocres dans des scénarios en monde ouvert. Dans ce travail, nous introduisons une tâche de génération de crawlers pour les pages web d'information verticale et le paradigme de combinaison des LLMs avec les crawlers, ce qui aide ces derniers à gérer des environnements web divers et changeants de manière plus efficace. Nous proposons AutoCrawler, un framework en deux étapes qui exploite la structure hiérarchique du HTML pour une compréhension progressive. Grâce à des opérations de haut en bas et de retour en arrière, AutoCrawler peut apprendre de ses actions erronées et élaguer continuellement le HTML pour une meilleure génération d'actions. Nous menons des expériences approfondies avec plusieurs LLMs et démontrons l'efficacité de notre framework. Les ressources de cet article sont disponibles à l'adresse suivante : 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