LlamaIndex

Aprovecha la integración de LlamaIndex con Oxylabs Web Scraper API para ingerir fácilmente contenido online y construir flujos de trabajo orientados a LLM.

La integración de LlamaIndex con Oxylabs Web Scraper API te permite extraer y procesar datos web a través de un LLM (Large Language Model) en el mismo flujo de trabajo.

Descripción general

LlamaIndex es un marco de datos diseñado para construir aplicaciones LLM con fuentes de datos externas. Úsalo con Oxylabs Web Scraper API para:

• Extraer datos estructurados sin manejar CAPTCHAs, bloqueos de IP o renderizado JS

• Procesar resultados con un LLM en la misma canalización

• Construir flujos de trabajo de extremo a extremo desde la extracción hasta la salida potenciada por IA

Comenzando

Crea tus credenciales de usuario API: regístrate para una prueba gratuita o compra el producto en el panel de Oxylabs para crear tus credenciales de usuario API (USERNAME y PASSWORD).

Si necesitas más de un usuario API para tu cuenta, por favor contacta con nuestro soporte al cliente o envía un mensaje a nuestro chat en vivo 24/7.

Configuración del entorno

En esta guía usaremos el lenguaje de programación Python. Instala las bibliotecas requeridas usando pip:

pip install -qU llama-index llama-index-readers-oxylabs llama-index-readers-web

Crea un .env archivo en el directorio de tu proyecto con tus credenciales de Oxylabs Web Scraper API y la clave de OpenAI:

OXYLABS_USERNAME=your_API_username
OXYLABS_PASSWORD=your_API_password
OPENAI_API_KEY=your-openai-key

Carga estas variables de entorno en tu script de Python:

import os
from dotenv import load_dotenv

load_dotenv()

Métodos de integración

Hay dos maneras de acceder al contenido web vía Web Scraper API en LlamaIndex:

Oxylabs Reader

El llama-index-readers-oxylabs el módulo contiene clases específicas que te permiten extraer datos de varias fuentes:

Fuente de datos API	Clase Reader
Búsqueda web de Google	OxylabsGoogleSearchReader
Anuncios de búsqueda de Google	OxylabsGoogleAdsReader
Producto de Amazon	OxylabsAmazonProductReader
Búsqueda en Amazon	OxylabsAmazonSearchReader
Reseñas de Amazon	OxylabsAmazonReviewsReader
Transcripción de YouTube	OxylabsYoutubeTranscriptReader

Por ejemplo, puedes extraer resultados de búsqueda de Google:

import os
from dotenv import load_dotenv
from llama_index.readers.oxylabs import OxylabsGoogleSearchReader

load_dotenv()
reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data({
    'query': 'best pancake recipe',
    'parse': True
})
print(results[0].text)

Oxylabs Web Reader

Con la OxylabsWebReader clase, puedes extraer datos de cualquier URL:

import os
from dotenv import load_dotenv
from llama_index.readers.web import OxylabsWebReader

load_dotenv()
reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data(
    [
        'https://sandbox.oxylabs.io/products/1',
        'https://sandbox.oxylabs.io/products/2'
    ]
)
for result in results:
    print(result.text + '\n')

Construyendo un agente de búsqueda AI básico

A continuación hay un ejemplo de un agente AI simple que puede buscar en Google y responder preguntas:

import os
import asyncio
from dotenv import load_dotenv
from llama_index.readers.oxylabs import OxylabsGoogleSearchReader
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.openai import OpenAI

load_dotenv()
reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

def web_search(query: str) -> str:
    results = reader.load_data({'query': query, 'parse': True})
    return results[0].text

agent = FunctionAgent(
    tools=[web_search],
    llm=OpenAI(model='gpt-4o-mini'),
    max_function_calls=1,
    system_prompt=(
        'Craft a short Google search query to use with the `web_search` tool. '
        'Analyze the most relevant results and answer the question.'
    )
)

async def main():
    response = await agent.run('How did DeepSeek affect the stock market?')
    print(response)

if __name__ == '__main__':
    asyncio.run(main())

Configuración avanzada

Manejo de contenido dinámico

La Web Scraper API puede manejar renderizado JavaScript:

reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

results = reader.load_data(
    [
        'https://quotes.toscrape.com/js/'
    ],
    {'render': 'html'}
)

Configurando el tipo de User-Agent

Puedes especificar diferentes user agents:

reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

results = reader.load_data(
    [
        'https://sandbox.oxylabs.io/products/1'
    ],
    {'user_agent_type': 'mobile'}
)

Uso de parámetros específicos del objetivo

Muchos scrapers específicos de objetivos soportan parámetros adicionales:

reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'),
    os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data({
    'query': 'iphone',
    'parse': True,
    'domain': 'com',
    'start_page': 2,
    'pages': 3
})

Creando índices vectoriales

LlamaIndex es especialmente útil para construir índices vectoriales a partir de contenido web:

import os
from dotenv import load_dotenv
from llama_index.readers.web import OxylabsWebReader
from llama_index.core import Settings, VectorStoreIndex
from llama_index.llms.openai import OpenAI

load_dotenv()
reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
documents = reader.load_data([
    'https://sandbox.oxylabs.io/products/1',
    'https://sandbox.oxylabs.io/products/2'
])

# Configure LlamaIndex settings
Settings.llm = OpenAI(model='gpt-4o-mini')

# Create an index
index = VectorStoreIndex.from_documents(documents)

# Query the index
query_engine = index.as_query_engine()
response = query_engine.query('What is the main topic of these pages?')
print(response)