Automating Web Scraping with ChatGPT Code Interpreter
Zusammenfassung
Kurz
Der Bericht erläutert anhand von Amazon- und Glassdoor-Beispielen, wie gespeicherte HTML-Seiten mit ChatGPTs Code Interpreter ausgewertet und als CSV exportiert werden können. Der Autor warnt vor fehlerhaft übernommenen fehlenden Werten; jede weitere Ergebnisseite muss einzeln gespeichert und hochgeladen werden, und eine allgemeine Zuverlässigkeit wird nicht belegt.
Mittel
Frank Andrade beschreibt, wie sich Daten aus einer gespeicherten Webseite mit ChatGPTs Code Interpreter extrahieren und als CSV exportieren lassen. Zuerst speichert man die gewünschte Seite als HTML und lädt die Datei in ChatGPT hoch. Für Produktnamen und Preise auf Amazon genügt laut Autor manchmal eine einfache Aufforderung. Präzisere Ergebnisse sollen möglich sein, wenn man die passenden HTML-Elemente zuvor über die Browser-Entwicklertools ermittelt und in die Eingabe einfügt. Fehlende Preise solle ChatGPT als null ausgeben.
Der Autor berichtet, eine Tabelle und einen CSV-Download erhalten zu haben, empfiehlt aber eine Kontrolle: Fehlende Werte könnten fälschlich mit Daten aus anderen Zeilen gefüllt werden. Weitere Ergebnisseiten erfordern jeweils eine neue HTML-Datei und erneute Eingabe. Als Glassdoor-Beispiel extrahiert er Arbeitgeber, Titel, Ort und Gehalt anhand von Element-IDs. Bei verkürzten IDs könne eine Aufforderung zum Abgleich mit regulären Ausdrücken helfen.
Der Bericht beschreibt somit einen manuellen Ablauf anhand von Beispielen. Er weist auf mögliche Datenfehler hin, belegt aber weder eine allgemeine Zuverlässigkeit noch eine Erfolgsquote für andere Webseiten.
Ausführlich lesen
Der Bericht von Frank Andrade beschreibt einen dreistufigen Weg, mit ChatGPTs Code Interpreter Daten aus einer gespeicherten Webseite auszulesen und als CSV auszugeben. Als Beispiele dienen Produktnamen und Preise auf Amazon sowie Stellenanzeigen auf Glassdoor. Der Artikel stellt das Verfahren als Möglichkeit dar, Webseiteninhalte auszuwerten, weist aber zugleich auf fehlende oder falsch übertragene Daten hin.
Zunächst soll man die gewünschte Webseite im Browser öffnen und über „Speichern unter“ als HTML-Datei sichern. Für das Amazon-Beispiel sucht der Autor nach Fernsehern und speichert die Ergebnisseite. Diese HTML-Datei wird anschließend in ChatGPT mit GPT‑4 und aktiviertem Code Interpreter hochgeladen. Der Artikel merkt an, dass Code Interpreter zum Zeitpunkt der Beschreibung ChatGPT-Plus-Abonnenten vorbehalten sei.
Für den ersten Versuch schlägt der Autor eine einfache Eingabe vor: ChatGPT soll Produktname und Preis aus der HTML-Datei extrahieren, tabellarisch darstellen und als CSV exportieren. Reiche diese Aufforderung nicht aus, könne man die relevanten HTML-Elemente genauer angeben. Dazu solle man auf der Webseite das gewünschte Feld untersuchen und den markierten HTML-Code kopieren. Der Artikel zeigt beispielhaft ein Element für einen Toshiba-Fernseher und ein Preiselement. Bei fehlenden Preisen soll ChatGPT den Wert leer beziehungsweise als null ausgeben.
Als Ergebnis berichtet Andrade von einer Tabellenvorschau und einem Link zum Herunterladen der CSV-Datei. Er empfiehlt jedoch, die Datei zu kontrollieren: Nach seiner Beobachtung kann ChatGPT fehlende Werte gelegentlich nicht leer lassen, sondern Werte aus anderen Zeilen wiederholen. Bei Bedarf solle man die Aufforderung präzisieren.
Weitere Ergebnisseiten werden laut Artikel nicht automatisch durchlaufen. Für jede Seite müsse man die jeweilige Seite öffnen, erneut als HTML speichern und die neue Datei hochladen; eine zusätzliche Anweisung könne ChatGPT auffordern, dieselben Extraktionsschritte für die angegebene Folgeseite anzuwenden. Der Autor zeigt außerdem eine Variante für Glassdoor-Stellenanzeigen: Statt vollständige HTML-Elemente zu kopieren, könne man relevante IDs für Arbeitgeber, Titel, Ort und Gehalt angeben. Weil IDs zusätzliche Ziffern enthalten können, beschreibt er einen Fehler bei einer verkürzten ID und empfiehlt, ChatGPT zum Abgleich von ID-Teilen mittels regulärer Ausdrücke aufzufordern.
Die Grenzen des dargestellten Vorgehens sind damit konkret: Es arbeitet mit jeweils manuell gespeicherten HTML-Seiten, erfordert bei mehreren Seiten erneute Schritte und kann bei fehlenden Daten fehlerhafte CSV-Werte erzeugen. Der Bericht schildert Beispiele und Ergebnisse des Autors, liefert aber keine systematische Prüfung der Genauigkeit, keine Erfolgsquote und keine allgemeine Aussage dazu, ob das Verfahren auf beliebigen Webseiten zuverlässig funktioniert.
Gegengeprüft von Claude Haiku 5.5: ok
Die Einordnung ist leer, weil keine Fragen angegeben waren. Geprüft wurde die ausführliche Zusammenfassung (mittel); sie gibt den Bericht treu wieder und enthält keine erfundenen Angaben. Die Kurzfassung ist ebenfalls treu, lässt aber die zentrale Methode aus, Elemente per Entwicklertools zu ermitteln und in den Prompt einzufügen, sowie den Regex-Hinweis für verkürzte IDs. Dafür würde ich sie als kleinen Mangel werten.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 68 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug