WebExtrator intelligent extrahering API integrationsguide

POST https://api.acedata.cloud/webextrator/extract WebExtrator intelligent extrahering API omvandlar en URL till typad strukturerad resultat — artiklar, produkter, recept, videor, diskussioner, rekrytering etc., samtidigt som den bifogar rengjord Markdown och ren text. När du vill ha “ren strukturerad data” istället för rå HTML, är detta gränssnittet att använda. Underliggande är en tre-lagers pipeline:

schema.org JSON-LD mappare — deterministisk, noll LLM kostnad. Täcker Wikipedia / BestBuy / AllRecipes / YouTube / de flesta nyheter / de flesta produktsidor.
Typad LLM extrahering — utlöses endast när schema.org inte träffar. Välj schema baserat på sidtyp, Zod strikt validering.
Readability + Markdown fallback — körs alltid, fyller i toppfält som de två första lagren inte har fyllt.

Upprepade URL-förfrågningar fångas av Redis-resultatcache, <1 ms svar.

Ansökningsprocess

För att använda WebExtrator-tjänsten, gå först till Ace Data Cloud-konsolen för att hämta din API-token, som du kan spara för framtida bruk.

Om du inte har loggat in eller registrerat dig, kommer du automatiskt att omdirigeras till inloggningssidan som bjuder in dig att registrera dig och logga in, och efter att ha slutfört detta kommer du automatiskt att återvända till den aktuella sidan. En API-token räcker för att anropa alla tjänster på plattformen, du behöver inte ansöka separat för varje tjänst. Första ansökan ger en gratis kvot, så att du kan prova gratis; när kvoten är slut kan du ladda på allmän balans i konsolen.

📘 Fullständig dokumentation: WebExtrator tjänstsida →

Auktorisering

Authorization: Bearer YOUR_API_KEY
Content-Type:  application/json

Förfrågningsparametrar

Extract accepterar alla Render API parametrar (url, user_agent, timeout, wait_until, delay, wait_for_selector, block_resources, headers, cookies, callback_url, bypass_cache, cache_ttl_seconds, async), plus två Extract-specifika fält:

Fält	Typ	Obligatoriskt	Standard	Beskrivning
`expected_type`	enum	❌	Automatisk bedömning	Sidtyp indikation: `product` / `article` / `general`. Hoppa över URL / text heuristik, gå direkt till motsvarande gren.
`enable_llm`	boolean	❌	`false`	Tillåt LLM-extrahering när schema.org inte träffar. På sidor utan JSON-LD som Amazon / HN / Greenhouse, behöver detta vara aktiverat för att få typade resultat.

När sidan har schema.org JSON-LD, är enable_llm ogiltig — den deterministiska mapparen ger direkt resultat, kommer aldrig att slösa LLM-anrop. Du får gratis typade resultat.

Synkron respons

{
  "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": "Amerikanskt företag inom maskininlärning och kunskapshantering",
    "byline": "Bidragsgivare till Wikimedia-projekt",
    "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 är en utvecklare av maskininlärning ...",
    "text": "Diffbot är en utvecklare av maskininlärningsalgoritmer ...",
    "structured": {
      "schemaOrg": { "primary": { /* typad entitet */ }, "breadcrumbs": [], "all": [] },
      "openGraph": { "title": "...", "description": "...", "image": "...", "type": "..." },
      "jsonLd": [ /* rå JSON-LD */ ]
    },
    "rawSignals": {
      "hasJsonLd": true,
      "title": "Diffbot - Wikipedia",
      "metaDescription": null,
      "pageStatus": 200,
      "textLength": 11473
    },
    "elapsedMs": 2412
  }
}

Toppfält

Fält	Typ	Beskrivning
`kind`	string	Fast `"extract"`.
`url`	string	Den URL du skickade in.
`finalUrl`	string	Den slutgiltiga URL efter omdirigering.
`contentType`	enum	`product` / `article` / `general`, bestäms av `expected_type` → schema.org primary → heuristik i ordning.
`title`	string	Readability `<title>` eller det renderade `document.title`.
`description`	string?	Prioritet: `<meta name="description" />` → `og:description` → schema.org / LLM extrahering → första stycket av texten.
`byline`	string?	Författare / kanal / företag. Källa `<meta name="author" />` → schema.org / LLM.
`language`	string?	`<html lang>`.
`siteName`	string?	`og:site_name`.
`publishedAt`	string?	ISO 8601. Prioritet: `article:published_time` → `<time datetime>` → schema.org / LLM.
`images`	string[]	Max 50 `<img src />`, har omvandlats till absoluta URL:er, avdammats, borttagna `data:` URI.
`links`	string[]	Max 100 externa länkar, har filtrerats för fragment / `javascript:` / `mailto:` / `tel:`.
`markdown`	string	Turndown konverterad Markdown.
`text`	string	`textContent` extraherat av Mozilla Readability.
`structured`	object	Fullständigt strukturerat resultat, se nedan.
`rawSignals`	object	Diagnostisk information för debugging.
`cached`	boolean?	`true` när cache träffas.
`cacheStoredAt`	number?	Unix millisekundstidsstämpel när cacheposten först skrevs.

`data.structured` underfält

子fält	När det förekommer	Beskrivning
`schemaOrg`	Alltid	`{ primary, breadcrumbs, all }`. `primary` är den högst prioriterade typiserade entiteten; om den inte hittas är den `null`.
`openGraph`	Alltid	`{ title, description, image, type }`, hämtad från `<meta property="og:*" />`.
`jsonLd`	Alltid	En rå JSON-array av alla `<script type="application/ld+json">` block.
`llm`	När LLM har kört och lyckats	`{ kind, data, model, promptCharCount }`, typiserade resultat som har validerats av Zod.
`llmError`	När LLM har kört men misslyckats	`{ kind, error, model }`, begäran kommer inte att krascha, heuristiska resultat returneras fortfarande.
`amazon`	När URL är `amazon.*`	Gamla amazon-specifika skrapresultat (kommer att avvecklas gradvis).

schema.org-mappningens täckning

Sorterat efter prioritet (träffar som structured.schemaOrg.primary):

schema.org typ	Mappning kind	Utdatafält
`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` (inklusive `*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`	(hängande syskon)	Alltid utdata till `structured.schemaOrg.breadcrumbs[]`, kommer inte att vara som primary.

Mappningens hantering:

@graph behållare (rekursivt utvidgad)；
@type array (som ["Recipe", "NewsArticle"] —— båda identifieras, den med högst prioritet vinner)；
http://schema.org/ prefixvarianter；
Nästlade Offer och AggregateOffer (den senare läser lowPrice)；
Relativa bild-URL:er (löses till absoluta enligt finalUrl).

LLM typiserad Schema

När enable_llm: true och schema.org inte har någon primary, extraktorn använder URL heuristik (eller expected_type hint) för att välja en av Zod Schema valideringsmodellens utdata:

Kind	URL heuristik	Obligatoriska fält	Valfria fält
`article`	Text ≥400 tecken och andra träffar inte	`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 kommer också att göra “last-resort” återfyllning till toppfältet när:

article → description / byline / publishedAt / language
product → description
discussion → description (= body de första 280 tecknen) / byline (= author) / publishedAt (= postedAt)
recipe → description / byline (= author)
video → description / byline (= channel) / publishedAt (= uploadDate)
job → description / byline (= company) / publishedAt (= datePosted)

Återfyllning utlöses endast när den deterministiska datakällan inte har fyllt motsvarande fält — LLM är alltid den sista säkerhetsåtgärden.

Cache

Samma begäran kommer att hashas till samma Redis-nyckel: webextrator:cache:extract:<sha256(canonical-json)>. Cache-nyckeln ignorerar async, bypass_cache, cache_ttl_seconds (detta är en operationell switch, påverkar inte svaret). cookies / headers kommer att delas upp i cache.

Fält	Effekt
`bypass_cache: true`	Hoppa över läsning; detta resultat kommer fortfarande att skrivas tillbaka till cachen, så nästa samma begäran kan träffa.
`cache_ttl_seconds: 0`	Detta svar cacheas inte.
`cache_ttl_seconds: N`	Anpassa TTL för denna post (standard 3600 sekunder).

Svar som träffar cachen kommer att ha data.cached: true och data.cacheStoredAt: <unix-ms>.

Asynkront läge och callback

Ställ in async: true för att gå in i asynkront läge (att tillhandahålla callback_url kommer också automatiskt att gå in). Plattformen returnerar omedelbart (HTTP 200):

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

När uppgiften är klar skickas hela kuvertet POST till din callback_url (om det är konfigurerat). Du kan också aktivt fråga senare via /webextrator/tasks.

Exempel

1. Wikipedia-artikel (schema.org träff, ingen LLM behövs)

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 nyckelfält:

{
  "kind": "artikel",
  "subtype": "Artikel",
  "headline": "Amerikanskt företag inom maskininlärning och kunskapshantering",
  "datePublished": "2007-08-08T05:47:27Z",
  "dateModified": "2025-07-10T20:42:45Z",
  "author": { "name": "Bidragsgivare till Wikimedia-projekt", "type": "Organisation" },
  "publisher": { "name": "Wikimedia Foundation, Inc." }
}

2. BestBuy produkt sida (schema.org träff)

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": "produkt"
  }'

schema.org utdrag:

{
  "kind": "produkt",
  "name": "Apple - Renoverad Utmärkt - AirPods Pro (2:a generationen) - Vit",
  "sku": "10845412",
  "model": "MQD83AM/A",
  "color": "Vit",
  "brand": "Apple",
  "offer": { "price": 159.99, "currency": "USD", "availability": "https://schema.org/InStock", "seller": "Best Buy" },
  "rating": { "value": 4.4, "count": 8 }
}

3. AllRecipes receptsida (inklusive näringsinnehåll och steg)

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 utdrag:

{
  "kind": "recept",
  "name": "Enkel Köttfärslimpa",
  "cookTime": "PT60M",
  "totalTime": "PT75M",
  "recipeYield": "8 / 1 (9x5 tum) köttfärslimpa",
  "ingredients": ["1 1/2 pund köttfärs", "..."],
  "instructions": [{ "text": "Förvärm ugnen till 350°F ..." }, "..."],
  "rating": { "value": 4.7, "count": 9348 }
}

4. HN diskussionssida (utan JSON-LD —— behöver aktivera 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": "diskussion",
  "title": "Visa HN: Ett nytt sätt att extrahera webbsidor",
  "author": "alice",
  "points": 173,
  "commentCount": 42,
  "body": "Hej HN, vi har byggt ett självhostat alternativ till Diffbots Analyze API ..."
}

Toppfält har också fyllts i: byline = "alice"、publishedAt = "..."。

5. Amazon produkt sida (Amazon utan JSON-LD —— behöver aktivera 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": "produkt",
    "enable_llm": true
  }'

data.structured.llm.data (typad produkt):

{
  "kind": "produkt",
  "name": "Apple 2023 MacBook Pro M2 Pro 14-tum",
  "brand": "Apple",
  "price": 1799,
  "currency": "USD",
  "bullets": ["Apple M2 Pro chip med 10-kärnig CPU", "..."],
  "specifications": [{ "name": "Skärmstorlek", "value": "14.2 tum" }, "..."]
}

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": "artikel",
    },
    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"] == "artikel":
    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, 'ingredienser');

Tips och fallgropar

Kan skicka expected_type så gör det. Gratis tips, hoppa över heuristisk bedömning, särskilt användbart för sidor vars URL-mönster inte finns i den inbyggda listan.
enable_llm: true på sidor med schema.org träff är gratis. LLM anropas endast när schema.org inte har primary, så det är säkert att ha det aktiverat som standard.
Vid felsökning, kolla först rawSignals.hasJsonLd. Om det är true men structured.schemaOrg.primary är null, betyder det att sidan använde en typ som vår mappare ännu inte täcker — rapportera ett problem så lägger vi till det.
structured.llmError är informativ. Begäran lyckas fortfarande, heuristiska resultat returneras fortfarande. Kolla llmError.error för att lokalisera orsaken (timeout, JSON-parsing misslyckades, Zod-validering misslyckades).
Icke-artikelsidor sorterar inte links[] efter relevans. Endast enligt “max 100 poster + filtrera bort ogiltiga protokoll” görs en ansträngning för att rensa.
Cacheträffar debiteras också. Cachen är för fördröjning och skydd av webbläsarpoolen, inte för att spara pengar.

Getting Started

AI Samtal

AI Bild

AI Video

AI Ljud

Web & Data

CAPTCHA

Identitet

Proxy

Advanced

WebExtrator intelligent extrahering API integrationsguide

Ansökningsprocess

Auktorisering

Förfrågningsparametrar

Synkron respons

Toppfält

`data.structured` underfält

schema.org-mappningens täckning

LLM typiserad Schema

Cache

Asynkront läge och callback

Exempel

1. Wikipedia-artikel (schema.org träff, ingen LLM behövs)

2. BestBuy produkt sida (schema.org träff)

3. AllRecipes receptsida (inklusive näringsinnehåll och steg)

4. HN diskussionssida (utan JSON-LD —— behöver aktivera LLM)

5. Amazon produkt sida (Amazon utan JSON-LD —— behöver aktivera LLM)

Python (requests)

Node.js (fetch)

Tips och fallgropar

​Ansökningsprocess

​Auktorisering

​Förfrågningsparametrar

​Synkron respons

​Toppfält

​data.structured underfält

​schema.org-mappningens täckning

​LLM typiserad Schema

​Cache

​Asynkront läge och callback

​Exempel

​1. Wikipedia-artikel (schema.org träff, ingen LLM behövs)

​2. BestBuy produkt sida (schema.org träff)

​3. AllRecipes receptsida (inklusive näringsinnehåll och steg)

​4. HN diskussionssida (utan JSON-LD —— behöver aktivera LLM)

​5. Amazon produkt sida (Amazon utan JSON-LD —— behöver aktivera LLM)

​Python (requests)

​Node.js (fetch)

​Tips och fallgropar

Ansökningsprocess

Auktorisering

Förfrågningsparametrar

Synkron respons

Toppfält

`data.structured` underfält

schema.org-mappningens täckning

LLM typiserad Schema

Cache

Asynkront läge och callback

Exempel

1. Wikipedia-artikel (schema.org träff, ingen LLM behövs)

2. BestBuy produkt sida (schema.org träff)

3. AllRecipes receptsida (inklusive näringsinnehåll och steg)

4. HN diskussionssida (utan JSON-LD —— behöver aktivera LLM)

5. Amazon produkt sida (Amazon utan JSON-LD —— behöver aktivera LLM)

Python (requests)

Node.js (fetch)

Tips och fallgropar