WebExtrator インテリジェント抽出 API 統合ガイド

POST https://api.acedata.cloud/webextrator/extract WebExtrator インテリジェント抽出 API は、URL を 型化された構造化結果 に変換します —— 記事、商品、レシピ、動画、ディスカッション、求人など、同時にクリーンな Markdown とプレーンテキストを添付します。原始的な HTML ではなく「クリーンな構造化データ」が必要なときに使用するインターフェースです。基盤は三層のパイプラインです：

schema.org JSON-LD マッパー —— 決定的、ゼロ LLM コスト。Wikipedia / BestBuy / AllRecipes / YouTube / 大部分のニュース / 大部分の商品ページをカバーします。
型化 LLM 抽出 —— schema.org がヒットしなかった場合のみトリガーされます。ページタイプに応じてスキーマを選択し、Zod による厳密な検証を行います。
Readability + Markdown フォールバック —— 常に実行され、前の二層で埋められなかったトップレベルフィールドを補完します。

URL の重複リクエストは Redis 結果キャッシュにキャッチされ、<1 ms で返されます。

申請プロセス

WebExtrator サービスページを使用するには、まず Ace Data Cloud コンソールで API トークンを取得し、保管してください。

まだログインまたは登録していない場合、自動的にログインページにリダイレクトされ、登録とログインを促されます。完了後、現在のページに自動的に戻ります。 1つの API トークンでプラットフォームのすべてのサービスを呼び出すことができ、各サービスごとに個別に申請する必要はありません。 初回申請時には無料枠が付与され、無料で体験できます；枠が不足した場合はコンソールで共通残高をチャージできます。

📘 完全なドキュメント：WebExtrator サービスページ →

認証

Authorization: Bearer YOUR_API_KEY
Content-Type:  application/json

リクエストパラメータ

Extract は すべての Render API のパラメータ（url、user_agent、timeout、wait_until、delay、wait_for_selector、block_resources、headers、cookies、callback_url、bypass_cache、cache_ttl_seconds、async）を受け入れ、さらに二つの Extract 専用フィールドを追加します：

フィールド	タイプ	必須	デフォルト	説明
`expected_type`	enum	❌	自動判断	ページタイプのヒント：`product` / `article` / `general`。URL / テキストのヒューリスティックをスキップし、直接対応するブランチに進みます。
`enable_llm`	boolean	❌	`false`	schema.org がヒットしなかった場合に LLM 抽出を許可します。Amazon / HN / Greenhouse のような JSON-LD がないページでは、型化結果を得るためにオンにする必要があります。

ページが schema.org JSON-LD を持っている場合、enable_llm は無効です —— 決定的マッパーが直接結果を出し、LLM 呼び出しを無駄にすることはありません。あなたは 無料で 型化結果を得ることができます。

同期レスポンス

{
  "success": true,
  "task_id": "550e8400-e29b-41d4-a716-446655440000",
  "trace_id": "550e8400-e29b-41d4-a716-446655440001",
  "started_at": 1777717800.123,
  "finished_at": 1777717802.535,
  "elapsed": 2.412,
  "data": {
    "kind": "extract",
    "url": "https://en.wikipedia.org/wiki/Diffbot",
    "finalUrl": "https://en.wikipedia.org/wiki/Diffbot",
    "contentType": "article",
    "title": "Diffbot",
    "description": "アメリカの機械学習および知識管理会社",
    "byline": "Wikimedia プロジェクトの貢献者",
    "language": "en",
    "siteName": "Wikipedia",
    "publishedAt": "2007-08-08T05:47:27Z",
    "images": ["https://en.wikipedia.org/static/images/icons/enwiki-25.svg"],
    "links": ["https://en.wikipedia.org/wiki/Machine_learning"],
    "markdown": "# Diffbot\n\nDiffbot は機械学習の開発者です ...",
    "text": "Diffbot は機械学習アルゴリズムの開発者です ...",
    "structured": {
      "schemaOrg": { "primary": { /* 型化されたエンティティ */ }, "breadcrumbs": [], "all": [] },
      "openGraph": { "title": "...", "description": "...", "image": "...", "type": "..." },
      "jsonLd": [ /* 原始 JSON-LD */ ]
    },
    "rawSignals": {
      "hasJsonLd": true,
      "title": "Diffbot - Wikipedia",
      "metaDescription": null,
      "pageStatus": 200,
      "textLength": 11473
    },
    "elapsedMs": 2412
  }
}

トップレベルフィールド

フィールド	タイプ	説明
`kind`	string	固定 `"extract"`。
`url`	string	あなたが提出した URL。
`finalUrl`	string	リダイレクト後の最終 URL。
`contentType`	enum	`product` / `article` / `general`、`expected_type` → schema.org primary → ヒューリスティックの順に決定されます。
`title`	string	Readability `<title>` またはレンダリング後の `document.title`。
`description`	string?	優先順位：`<meta name="description" />` → `og:description` → schema.org / LLM 抽出 → 本文の最初の段落の切り取り。
`byline`	string?	著者 / チャンネル / 会社。出所 `<meta name="author" />` → schema.org / LLM。
`language`	string?	`<html lang>`。
`siteName`	string?	`og:site_name`。
`publishedAt`	string?	ISO 8601。優先順位：`article:published_time` → `<time datetime>` → schema.org / LLM。
`images`	string[]	最大 50 個の `<img src />`、絶対 URL に解析され、重複を排除し、`data:` URI を除外します。
`links`	string[]	最大 100 個の外部リンク、スニペット / `javascript:` / `mailto:` / `tel:` をフィルタリング済み。
`markdown`	string	Turndown から出力された Markdown。
`text`	string	Mozilla Readability によって抽出された `textContent`。
`structured`	object	完全な構造化結果、下記を参照。
`rawSignals`	object	デバッグ用の診断情報。
`cached`	boolean?	キャッシュにヒットした場合は `true`。
`cacheStoredAt`	number?	キャッシュエントリが最初に書き込まれた Unix ミリ秒タイムスタンプ。

`data.structured` サブフィールド

子字段	何时出现	说明
`schemaOrg`	始终	`{ primary, breadcrumbs, all }`。`primary` は最高優先度の型化エンティティ；見つからない場合は `null`。
`openGraph`	始終	`{ title, description, image, type }`，`<meta property="og:*" />` から取得。
`jsonLd`	始终	すべての `<script type="application/ld+json">` ブロックの生の JSON 配列。
`llm`	LLM が実行され成功した時	`{ kind, data, model, promptCharCount }`，Zod によって検証された型化結果。
`llmError`	LLM が実行され失敗した時	`{ kind, error, model }`，リクエストはこれにより失敗しない、ヒューリスティック結果は依然として返される。
`amazon`	URL が `amazon.*` の時	古い amazon 専用クローラーの結果（段階的に廃止予定）。

schema.org マッパーのカバレッジ

優先順位に従ってソート（ヒットした場合は structured.schemaOrg.primary として扱う）：

schema.org タイプ	マッピング kind	出力フィールド
`Product`	product	`name, sku, gtin, model, color, brand, url, images, offer.{price,currency,availability,condition,seller}, rating.{value,count}, reviews[], properties[]`
`Recipe`	recipe	`name, description, image, datePublished, author, cookTime, prepTime, totalTime, recipeYield, ingredients[], instructions[], nutrition, rating, keywords, recipeCategory, recipeCuisine`
`VideoObject`	video	`name, description, thumbnailUrl, uploadDate, duration, embedUrl, contentUrl, channel, interactionCount`
`JobPosting`	job	`title, description, datePosted, validThrough, hiringOrganization, jobLocation, baseSalary, employmentType`
`Event`（含 `*Event`）	event	`name, description, startDate, endDate, location.{name,address}, organizer, offer.{url,price,currency}`
`Article` / `NewsArticle` / `BlogPosting` / `ScholarlyArticle` / `TechArticle` / `Report` / `*NewsArticle`	article	`subtype, headline, description, datePublished, dateModified, author, publisher, image[], url, sameAs[]`
`FAQPage`	faq	`questions[{question, answer}]`
`BreadcrumbList`	（sibling に付随）	常に `structured.schemaOrg.breadcrumbs[]` に出力され、primary とはならない。

マッパーの処理：

@graph コンテナ（再帰的に展開）；
@type 配列（例 ["Recipe", "NewsArticle"] —— 両方を認識し、優先順位で勝つ）；
http://schema.org/ プレフィックスのバリエーション；
ネストされた Offer と AggregateOffer（後者は lowPrice を読み取る）；
相対画像 URL（finalUrl によって絶対に解決）。

LLM 型化スキーマ

enable_llm: true かつ schema.org に primary がない場合、抽出器は URL ヒューリスティック（または expected_type ヒント）に従って以下のいずれかの Zod スキーマ検証モデル出力を選択：

Kind	URL ヒューリスティック	必須フィールド	オプションフィールド
`article`	テキスト ≥400 字かつ他にヒットしない	`headline`	`description, byline, publishedAt, language, topics[], sections[{heading,summary}]`
`product`	`amazon.* / ebay.* / aliexpress.* / temu.* / walmart.* / bestbuy.*`	`name`	`description, brand, sku, price, currency, availability, rating.{value,count}, bullets[], specifications[{name,value}]`
`discussion`	`news.ycombinator.com / reddit.com / lobste.rs`	`title`	`author, postedAt, points, commentCount, body, url`
`recipe`	`allrecipes / foodnetwork / seriouseats / epicurious / bonappetit / simplyrecipes`	`name`	`description, author, cookTime, prepTime, totalTime, recipeYield, ingredients[], instructions[], nutrition, rating, keywords[]`
`video`	`youtube.com/watch / youtu.be / vimeo.com/<id> / tiktok.com/@/video`	`name`	`description, channel, uploadDate, duration, viewCount, likeCount, thumbnailUrl, transcript`
`job`	`greenhouse.io / lever.co / jobs.* / careers.* / workable.com / bamboohr`	`title`	`description, company, location, remote, employmentType, datePosted, validThrough, salaryMin, salaryMax, salaryCurrency, salaryPeriod, responsibilities[], qualifications[]`

LLM が成功した場合、トップレベルフィールドに「最終手段」のバックフィルを行う：

article → description / byline / publishedAt / language
product → description
discussion → description（= body の最初の 280 字）/ byline（= author）/ publishedAt（= postedAt）
recipe → description / byline（= author）
video → description / byline（= channel）/ publishedAt（= uploadDate）
job → description / byline（= company）/ publishedAt（= datePosted）

バックフィルは、確定的データソースが対応するフィールドを埋めていない場合にのみトリガーされる —— LLM は常に最後の手段である。

キャッシュ

同じリクエストは同じ Redis キーにハッシュされる： webextrator:cache:extract:<sha256(canonical-json)>。キャッシュキーは無視される async、 bypass_cache、cache_ttl_seconds（これは操作スイッチであり、応答には影響しない）。cookies / headers はバケットキャッシュされる。

フィールド	効果
`bypass_cache: true`	読み取りをスキップ；今回の結果は依然としてキャッシュに書き戻され、次回同じリクエストがヒットする。
`cache_ttl_seconds: 0`	今回の応答はキャッシュしない。
`cache_ttl_seconds: N`	このエントリの TTL をカスタマイズ（デフォルトは 3600 秒）。

キャッシュにヒットした応答は data.cached: true と data.cacheStoredAt: <unix-ms> を持つ。

非同期モードとコールバック

async: true を設定すると非同期モードに入る（callback_url を提供すると自動的に入る）。プラットフォームはすぐに返す（HTTP 200）：

{
  "success": true,
  "task_id": "550e8400-...",
  "trace_id": "6ba7b810-...",
  "started_at": 1777717800.123
}

タスクが完了すると、完全なエンベロープをあなたの callback_url に POST する（設定されている場合）。また、後で /webextrator/tasks を通じて積極的にクエリすることもできる。

例

1. Wikipedia 記事（schema.org にヒットし、LLM は必要ない）

curl -X POST https://api.acedata.cloud/webextrator/extract \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://en.wikipedia.org/wiki/Diffbot",
    "expected_type": "article"
  }'

data.structured.schemaOrg.primary 重要フィールド：

{
  "kind": "article",
  "subtype": "Article",
  "headline": "アメリカの機械学習と知識管理会社",
  "datePublished": "2007-08-08T05:47:27Z",
  "dateModified": "2025-07-10T20:42:45Z",
  "author": { "name": "ウィキメディアプロジェクトへの寄稿者", "type": "Organization" },
  "publisher": { "name": "ウィキメディア財団株式会社" }
}

2. BestBuy 商品页（schema.org 命中）

curl -X POST https://api.acedata.cloud/webextrator/extract \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://www.bestbuy.com/product/apple-airpods-pro-2nd-generation-white/JJ8ZH6TPSW",
    "expected_type": "product"
  }'

schema.org 抽出：

{
  "kind": "product",
  "name": "Apple - リファービッシュエクセレント - AirPods Pro (第2世代) - ホワイト",
  "sku": "10845412",
  "model": "MQD83AM/A",
  "color": "ホワイト",
  "brand": "Apple",
  "offer": { "price": 159.99, "currency": "USD", "availability": "https://schema.org/InStock", "seller": "Best Buy" },
  "rating": { "value": 4.4, "count": 8 }
}

3. AllRecipes 食谱页（含营养与步骤）

curl -X POST https://api.acedata.cloud/webextrator/extract \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://www.allrecipes.com/recipe/16354/easy-meatloaf/"
  }'

schema.org 抽出：

{
  "kind": "recipe",
  "name": "簡単ミートローフ",
  "cookTime": "PT60M",
  "totalTime": "PT75M",
  "recipeYield": "8 / 1 (9x5インチ) ミートローフ",
  "ingredients": ["1 1/2ポンドの挽き肉", "..."],
  "instructions": [{ "text": "オーブンを350°Fに予熱します ..." }, "..."],
  "rating": { "value": 4.7, "count": 9348 }
}

4. HN 讨论页（无 JSON-LD —— 需要启用 LLM）

curl -X POST https://api.acedata.cloud/webextrator/extract \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://news.ycombinator.com/item?id=37000000",
    "enable_llm": true
  }'

data.structured.llm.data：

{
  "kind": "discussion",
  "title": "Show HN: ウェブページを抽出する新しい方法",
  "author": "alice",
  "points": 173,
  "commentCount": 42,
  "body": "こんにちはHN、私たちはDiffbotのAnalyze APIの自己ホスト型代替を構築しました ..."
}

顶层字段也被回填：byline = "alice"、publishedAt = "..."。

5. Amazon 商品页（Amazon 无 JSON-LD —— 需要启用 LLM）

curl -X POST https://api.acedata.cloud/webextrator/extract \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://www.amazon.com/dp/B0BSHF7WHW",
    "expected_type": "product",
    "enable_llm": true
  }'

data.structured.llm.data（类型化 product）：

{
  "kind": "product",
  "name": "Apple 2023 MacBook Pro M2 Pro 14インチ",
  "brand": "Apple",
  "price": 1799,
  "currency": "USD",
  "bullets": ["Apple M2 Proチップ（10コアCPU）", "..."],
  "specifications": [{ "name": "ディスプレイサイズ", "value": "14.2インチ" }, "..."]
}

Python (requests)

import os, requests

API_KEY = os.environ["ACEDATA_API_KEY"]

resp = requests.post(
    "https://api.acedata.cloud/webextrator/extract",
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    },
    json={
        "url": "https://en.wikipedia.org/wiki/Diffbot",
        "expected_type": "article",
    },
    timeout=120,
)
resp.raise_for_status()
data = resp.json()["data"]

primary = (data.get("structured") or {}).get("schemaOrg", {}).get("primary")
print("contentType:", data["contentType"])
print("title:      ", data["title"])
print("byline:     ", data.get("byline"))
print("publishedAt:", data.get("publishedAt"))
if primary and primary["kind"] == "article":
    print("headline:    ", primary["headline"])
    print("dateModified:", primary.get("dateModified"))

Node.js (fetch)

const apiKey = process.env.ACEDATA_API_KEY;

const res = await fetch('https://api.acedata.cloud/webextrator/extract', {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${apiKey}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
    url: 'https://www.allrecipes.com/recipe/16354/easy-meatloaf/',
  }),
});
const { data } = await res.json();
const recipe = data?.structured?.schemaOrg?.primary;
console.log(recipe.name, recipe.cookTime, recipe.ingredients.length, '種類の材料');

提示与坑

expected_type を指定できる場合は指定してください。 無料のヒントで、ヒューリスティック判断をスキップし、URLパターンが内蔵リストにないページに特に有用です。
enable_llm: true はschema.orgにヒットしたページで無料です。 LLMはschema.orgにプライマリがない場合にのみ呼び出されるため、デフォルトでオンにしても安全です。
デバッグ時はまずrawSignals.hasJsonLdを確認してください。 もしtrueですがstructured.schemaOrg.primary がnullの場合、ページが私たちのマッパーを使用していてもカバーされていない@typeを使用していることを示します —— イシューを提起してください、私たちが追加します。
structured.llmErrorは情報提供的です。 リクエストは成功し、ヒューリスティック結果は引き続き返されます。llmError.errorを見て原因を特定してください（タイムアウト、JSON解析失敗、Zod検証失敗）。
非記事ページのlinks[]は関連性のソートを行いません。 “上限100件+無効なプロトコルをフィルタリング”に従って、できる限りクリーンアップします。
キャッシュヒットも課金されます。 キャッシュは遅延とブラウザプールの保護のためのものであり、節約のためではありません。

はじめに

AIチャット

AI画像

AI動画

AIオーディオ

ウェブ＆データ

CAPTCHA

アイデンティティ

プロキシ

上級

WebExtrator インテリジェント抽出 API 統合ガイド

申請プロセス

認証

リクエストパラメータ

同期レスポンス

トップレベルフィールド

`data.structured` サブフィールド

schema.org マッパーのカバレッジ

LLM 型化スキーマ

キャッシュ

非同期モードとコールバック

例

1. Wikipedia 記事（schema.org にヒットし、LLM は必要ない）

2. BestBuy 商品页（schema.org 命中）

3. AllRecipes 食谱页（含营养与步骤）

4. HN 讨论页（无 JSON-LD —— 需要启用 LLM）

5. Amazon 商品页（Amazon 无 JSON-LD —— 需要启用 LLM）

Python (requests)

Node.js (fetch)

提示与坑

​申請プロセス

​認証

​リクエストパラメータ

​同期レスポンス

​トップレベルフィールド

​data.structured サブフィールド

​schema.org マッパーのカバレッジ

​LLM 型化スキーマ

​キャッシュ

​非同期モードとコールバック

​例

​1. Wikipedia 記事（schema.org にヒットし、LLM は必要ない）

​2. BestBuy 商品页（schema.org 命中）

​3. AllRecipes 食谱页（含营养与步骤）

​4. HN 讨论页（无 JSON-LD —— 需要启用 LLM）

​5. Amazon 商品页（Amazon 无 JSON-LD —— 需要启用 LLM）

​Python (requests)

​Node.js (fetch)

​提示与坑

申請プロセス

認証

リクエストパラメータ

同期レスポンス

トップレベルフィールド

`data.structured` サブフィールド

schema.org マッパーのカバレッジ

LLM 型化スキーマ

キャッシュ

非同期モードとコールバック

例

1. Wikipedia 記事（schema.org にヒットし、LLM は必要ない）

2. BestBuy 商品页（schema.org 命中）

3. AllRecipes 食谱页（含营养与步骤）

4. HN 讨论页（无 JSON-LD —— 需要启用 LLM）

5. Amazon 商品页（Amazon 无 JSON-LD —— 需要启用 LLM）

Python (requests)

Node.js (fetch)

提示与坑