LlamaIndex

Aproveite a integração do LlamaIndex com o Web Scraper API da Oxylabs para ingerir conteúdo online facilmente e criar fluxos de trabalho orientados por LLM.

A integração do LlamaIndex com o Oxylabs Web Scraper API permite que você extraia e processe dados da web por meio de um LLM (Large Language Model) no mesmo fluxo de trabalho.

Visão geral

LlamaIndex é um framework de dados projetado para criar aplicações LLM com fontes de dados externas. Use-o com Oxylabs Web Scraper API para:

• Extraia dados estruturados sem lidar com CAPTCHAs, bloqueios de IP ou renderização de JS
• Processe os resultados com um LLM no mesmo pipeline
• Crie fluxos de trabalho completos, da extração à saída com IA

Como começar

Crie suas credenciais de usuário da API: cadastre-se para um teste gratuito ou compre o produto na painel da Oxylabs para criar suas credenciais de usuário da API (USERNAME e PASSWORD).

Se você precisar de mais de um usuário da API para sua conta, entre em contato com nosso suporte ao cliente ou envie uma mensagem para nosso suporte por chat ao vivo 24/7.

Configuração do ambiente

Neste guia, usaremos a linguagem de programação Python. Instale as bibliotecas necessárias usando pip:

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

Crie um .env arquivo no diretório do seu projeto com suas credenciais do Oxylabs Web Scraper API e a chave de API da OpenAI:

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

Carregue essas variáveis de ambiente no seu script Python:

import os
from dotenv import load_dotenv

load_dotenv()

Métodos de integração

Há duas maneiras de acessar conteúdo da web via Web Scraper API no LlamaIndex:

Leitor Oxylabs

O llama-index-readers-oxylabs módulo contém classes específicas que permitem extrair dados de várias fontes:

Fonte de dados da API	Classe do leitor
Pesquisa da Web do Google	OxylabsGoogleSearchReader
Anúncios da Pesquisa do Google	OxylabsGoogleAdsReader
Produto da Amazon	OxylabsAmazonProductReader
Pesquisa da Amazon	OxylabsAmazonSearchReader
Avaliações da Amazon	OxylabsAmazonReviewsReader

Por exemplo, você pode extrair resultados da Pesquisa 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)

Leitor Web da Oxylabs

Com a OxylabsWebReader classe, você pode extrair dados de qualquer 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')

Criando um agente básico de busca com IA

Abaixo está um exemplo de um agente de IA simples que pode pesquisar no Google e responder perguntas:

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=(
        'Elabore uma consulta curta de pesquisa do Google para usar com a ferramenta `web_search`. '
        'Analise os resultados mais relevantes e responda à pergunta.'
    )
)

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

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

Configuração avançada

Como lidar com conteúdo dinâmico

O Web Scraper API pode lidar com a renderização de JavaScript:

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

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

Definindo o tipo de user agent

Você pode 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'}
)

Usando parâmetros específicos do alvo

Muitos scrapers específicos do alvo aceitam parâmetros adicionais:

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
})

Criando índices vetoriais

LlamaIndex é particularmente útil para criar índices vetoriais a partir de conteúdo da 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 as configurações do LlamaIndex
Settings.llm = OpenAI(model='gpt-4o-mini')

# Crie um índice
index = VectorStoreIndex.from_documents(documents)

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