på grundval av de uppgifter som avses i punkt 1 i denna artikel,: Denna artikel lär ut grunderna för webbinnehållsextraktion med LLMs med hjälp av den enklaste möjliga metoden. För användningsfall (web summering, dokumentanalys, agentverktyg), se DocSummarizer Ordförande
- det implementerar arkitekturen som visas här men produktionsgrad: BERT inbäddningar, hybrid sökning, Playwright för SPAs, SSRF skydd, validerade citeringar, och korrekt täckning spårning.
När du ber ChatGPT att "läsa denna artikel och sammanfatta den", vad händer egentligen? Om du föreställer dig AI öppna en webbläsare och läsa som du skulle - det är inte hur det fungerar.
LLMs surfar inte på webben. De resonerar över fragment din kod väljer.
Den här artikeln visar hur du bygger detta i C# med Ollama - inga ramar, bara praktisk kod du kan felsöka.
TL;DR: Din kod hämtar → renar → bitar → väljer. LLM bara ser de fragment du injicerar. Val är förlust genom design - det är både begränsningen och arkitekturen.
Här är insikten som förändrar hur du bygger dessa system:
Urvalet är produktbeslutet. Det är också där de flesta misslyckanden har sitt ursprung.
LLM är nedströms ditt val. Det kan inte återvinna information du inte visade det. När en agent "underlåter att hitta svaret", problemet är nästan aldrig modellen - det är att din urval logik valde fel bitar. (Detta är samma princip bakom varför jag undviker ramar som LangChain - de absorberar bort urvalslogiken du behöver för att felsöka.)
Det är därför "agent surfar" misslyckas tyst. Agenten förtroende svar baserat på vad den såg. Man vet aldrig att det missade rätt innehåll.
flowchart LR
URL[Full Page] --> Select[Your Selection]
Select --> LLM[LLM Sees This]
LLM --> Answer[Answer]
URL -.->|"50KB"| Select
Select -.->|"2KB"| LLM
Miss[Missed Content] -.->|"Never seen"| X[❌]
style Select stroke:#e74c3c,stroke-width:3px
style Miss stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
Modellen kan bara resonera om vad du gav den. Bygg därefter.
Innan du skriver något, är dessa begränsningar:
"Konstrikta dig" Varför det betyder något " |------------|----------------| | Ingen JS- återgivning på Statisk HTML endast (Playwright för SPAs) | Avgränsade polletter till Hård budget per begäran (2-4K tokens typiska) | Källkodsbundna svar till LLM får inte hallucinera webbkunskapen | Deterministiskt urval på samma ingång → samma bitar (debuggable) | Observerbar Logga in vad du valt, varför och vad du kasserade
Om du inte kan förklara varför en bit valdes, kan du inte felsöka fel.
flowchart TB
URL[URL] --> Fetch[1. Fetch]
Fetch --> Clean[2. Clean]
Clean --> Chunk[3. Chunk]
Chunk --> Select[4. Select]
Select --> LLM[LLM]
LLM --> Answer[Answer]
Fetch -.->|"57KB HTML"| Clean
Clean -.->|"6KB text"| Chunk
Chunk -.->|"5 chunks"| Select
Select -.->|"2 chunks"| LLM
style Select stroke:#e74c3c,stroke-width:3px
style Clean stroke:#f39c12,stroke-width:3px
Varje steg minskar data. När LLM ser det, har du gått från 57KB HTML till kanske 2KB relevant text. Varje minskning är förlorad. Varje minskning kan kasta svaret. Det är samma mönster jag använder för att Analys av stora CSV-filer - LLM skäl, din kod beräknar och väljer.
Under hela artikeln använder vi en webbadress:
https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview
Och tre frågor av ökande specificitet:
Detta håller exemplen grundade och visar hur urval betyder mer när frågor blir specifika.
# Install Ollama from https://ollama.ai
ollama pull llama3.2:3b
# NuGet packages
dotnet add package AngleSharp # HTML parsing
dotnet add package OllamaSharp # Ollama client (5.1.x)
OllamaSharp-not: I version 5.x,
GenerateAsyncreturerIAsyncEnumerable<GenerateResponseStream?>- Det strömmar polletter som de genereras.await foreach. Provet projekt pins 5.1.5.
Standard HTTP, men med de detaljer som är viktiga:
public class WebFetcher : IDisposable
{
private readonly HttpClient _http;
public WebFetcher()
{
var handler = new HttpClientHandler
{
AllowAutoRedirect = true,
MaxAutomaticRedirections = 5, // Cap redirects
AutomaticDecompression = DecompressionMethods.All
};
_http = new HttpClient(handler) { Timeout = TimeSpan.FromSeconds(30) };
_http.DefaultRequestHeaders.Add("User-Agent",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36");
}
public async Task<string> FetchAsync(string url)
{
var response = await _http.GetAsync(url);
// Bail if not HTML
var contentType = response.Content.Headers.ContentType?.MediaType ?? "";
if (!contentType.Contains("html") && !contentType.Contains("text"))
throw new InvalidOperationException($"Not HTML: {contentType}");
response.EnsureSuccessStatusCode();
return await response.Content.ReadAsStringAsync();
}
public void Dispose() => _http.Dispose();
}
Vad det här hanterar: Redirects (cappad), komprimering, timeouts, User-Agent, validering av innehållstyp.
Vad det inte gör: JavaScript rendering, autentisering, hastighetsbegränsning, robots.txt. För produktion, lägga till per-host förseningar och respektera krypning politik.
Raw HTML är mestadels buller. Rengör det eller du slösa polletter på layout.
En typisk sida:
57KB HTML → 6KB useful text (90% reduction)
flowchart LR
HTML[Raw HTML] --> Remove[Remove Noise]
Remove --> Find[Find Main Content]
Find --> Extract[Extract Text + Headings]
Extract --> Normalize[Normalize]
Remove -.->|"script, style, nav, ads"| Find
Find -.->|"main, article, .content"| Extract
style Remove stroke:#e74c3c,stroke-width:3px
style Find stroke:#f39c12,stroke-width:3px
Din städare kan absolut ta bort svaret. Vanliga misstag:
.article-body, .post-text)Begränsningar:
h1-h6)public class HtmlCleaner
{
private readonly HtmlParser _parser = new();
// Known noise - remove these entirely
private static readonly string[] NoiseElements =
{ "script", "style", "nav", "footer", "aside", "iframe", "noscript" };
// Boilerplate patterns - remove by role, not aggressive wildcards
private static readonly string[] NoiseSelectors =
{
"[role='navigation']", "[role='banner']", "[role='complementary']",
"[class*='cookie']", "[class*='newsletter']", "[aria-hidden='true']"
};
// Where to find content - order matters (most specific first)
private static readonly string[] ContentSelectors =
{ "main", "article", "[role='main']", ".content", ".post-content" };
public CleanResult Clean(string html)
{
var doc = _parser.ParseDocument(html);
// Remove noise
foreach (var tag in NoiseElements)
foreach (var el in doc.QuerySelectorAll(tag).ToList())
el.Remove();
foreach (var selector in NoiseSelectors)
foreach (var el in doc.QuerySelectorAll(selector).ToList())
el.Remove();
// Find main content
IElement? main = null;
string? matchedSelector = null;
foreach (var selector in ContentSelectors)
{
main = doc.QuerySelector(selector);
if (main != null) { matchedSelector = selector; break; }
}
// Fallback to body if main content is suspiciously short
var text = main?.TextContent ?? "";
if (text.Length < 500 && doc.Body != null)
{
main = doc.Body;
matchedSelector = "body (fallback)";
text = main.TextContent;
}
return new CleanResult
{
Text = NormalizeWhitespace(text),
MatchedSelector = matchedSelector ?? "none",
OriginalLength = html.Length
};
}
private string NormalizeWhitespace(string text)
{
text = Regex.Replace(text, @"[ \t]+", " ");
text = Regex.Replace(text, @"\n\s*\n+", "\n\n");
return text.Trim();
}
}
public record CleanResult(string Text, string MatchedSelector, int OriginalLength);
Utvinning av läsbarhet (Scoring punkter, text densitet) är en hel kanin hål. För närvarande, selector-baserad extraktion fungerar för dokumentation och bloggar. Sampleprojektet innehåller en scoring extraktor om du behöver det.
Du har 6KB av ren text. Varför inte skicka allt?
Det är viktigare än man kan förvänta sig. Artikeln om RAG-arkitektur - samma principer gäller oavsett om du klipper webbsidor eller dokument.
Detta är en utgångspunkt, inte en produktionskod:
public List<string> ChunkBySentence(string text, int maxTokens = 2000)
{
var chunks = new List<string>();
// WARNING: This breaks on abbreviations, decimals, URLs, code samples
var sentences = text.Split(new[] { ". ", ".\n", "! ", "? " },
StringSplitOptions.RemoveEmptyEntries);
var current = new StringBuilder();
var tokens = 0;
foreach (var sentence in sentences)
{
var sentenceTokens = EstimateTokens(sentence);
if (tokens + sentenceTokens > maxTokens && current.Length > 0)
{
chunks.Add(current.ToString().Trim());
current.Clear();
tokens = 0;
}
current.Append(sentence).Append(". ");
tokens += sentenceTokens;
}
if (current.Length > 0)
chunks.Add(current.ToString().Trim());
return chunks;
}
// Rough estimate - OK for demos, not for billing
private int EstimateTokens(string text)
=> (int)(text.Split(' ').Length * 1.3);
Varför detta är naivt:
". " bryter på "Dr Smith", "v1.0", webbadresserFör dokumentation, bit för bit:
public List<ContentChunk> ChunkByHeadings(string html)
{
var doc = new HtmlParser().ParseDocument(html);
var chunks = new List<ContentChunk>();
var headings = doc.QuerySelectorAll("h1, h2, h3");
foreach (var heading in headings)
{
var content = new StringBuilder();
content.AppendLine(heading.TextContent);
var sibling = heading.NextElementSibling;
while (sibling != null && !sibling.TagName.StartsWith("H"))
{
content.AppendLine(sibling.TextContent);
sibling = sibling.NextElementSibling;
}
chunks.Add(new ContentChunk
{
Heading = heading.TextContent.Trim(),
Content = content.ToString().Trim(),
HeadingLevel = int.Parse(heading.TagName[1..])
});
}
return chunks;
}
Detta bevarar dokumentstrukturen och gör urvalet mer meningsfullt.
Det är här de flesta misslyckanden sker och där felsökningen bör börja.
Du har 5 bitar. Användaren frågade "Vilka prestandaförbättringar finns i .NET 10?" Endast 1-2 bitar nämner prestanda. Skicka dessa.
flowchart TB
Q["Question: What perf improvements?"] --> Score[Score Each Chunk]
subgraph Chunks
C1["Chunk 1: Overview..."]
C2["Chunk 2: Runtime perf..."]
C3["Chunk 3: Libraries..."]
C4["Chunk 4: SDK changes..."]
end
Score --> C1
Score --> C2
Score --> C3
Score --> C4
C2 -->|"score: 3"| Top[Selected]
C3 -->|"score: 1"| Top
style C2 stroke:#27ae60,stroke-width:3px
style C1 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
style C4 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
public record ScoredChunk(string Content, string? Heading, int Score, List<string> MatchedKeywords);
public List<ScoredChunk> SelectByKeywords(
List<ContentChunk> chunks,
string question,
int topK = 3)
{
// Normalize and filter stopwords
var keywords = question.ToLower()
.Split(' ', StringSplitOptions.RemoveEmptyEntries)
.Where(w => w.Length > 3)
.Where(w => !Stopwords.Contains(w))
.Select(w => w.Trim(',', '.', '?', '!'))
.Distinct()
.ToList();
var scored = chunks.Select(chunk =>
{
var text = (chunk.Heading + " " + chunk.Content).ToLower();
var matched = keywords.Where(kw => text.Contains(kw)).ToList();
// Boost if keyword appears in heading
var headingBoost = chunk.Heading != null &&
keywords.Any(kw => chunk.Heading.ToLower().Contains(kw)) ? 2 : 0;
return new ScoredChunk(
chunk.Content,
chunk.Heading,
matched.Count + headingBoost,
matched
);
})
.OrderByDescending(x => x.Score)
.Take(topK)
.ToList();
// LOG THIS - it's your debugging lifeline
foreach (var s in scored)
Console.WriteLine($" [{s.Score}] {s.Heading ?? "(no heading)"}: {string.Join(", ", s.MatchedKeywords)}");
return scored;
}
private static readonly HashSet<string> Stopwords = new()
{ "what", "how", "does", "the", "are", "is", "in", "for", "of", "to", "and" };
Viktiga förbättringar jämfört med naiv beräkning:
Nyckelord misslyckas med synonymer. "perf" matchar inte "prestandaförbättringar".
Inbäddningar finner semantisk likhet. Om du vill gå djupare på inbäddningar och vektorsökning, Jag täcker detta i stor utsträckning i RAG-primerserien och semantisk sökning med ONNX.
public async Task<List<ScoredChunk>> SelectByEmbedding(
List<ContentChunk> chunks,
string question,
int topK = 3)
{
var questionEmbed = await EmbedAsync(question);
// Cache these per URL in production
var scored = new List<(ContentChunk Chunk, double Score)>();
foreach (var chunk in chunks)
{
var chunkEmbed = await EmbedAsync(chunk.Content);
var similarity = CosineSimilarity(questionEmbed, chunkEmbed);
scored.Add((chunk, similarity));
}
return scored
.OrderByDescending(x => x.Score)
.Take(topK)
.Select(x => new ScoredChunk(x.Chunk.Content, x.Chunk.Heading, (int)(x.Score * 100), new()))
.ToList();
}
private async Task<double[]> EmbedAsync(string text)
{
var request = new EmbedRequest { Model = "nomic-embed-text", Input = [text] };
var response = await _ollama.EmbedAsync(request);
return response.Embeddings.First().ToArray();
}
Avräkning:
För produktion, cacheinbäddningar per (URL, bit hash) i SQLite eller en vektordatabas som Qdrant Ordförande.
Strukturera uppmaningen att tvinga källbundna svar med hänvisning:
public string BuildPrompt(string url, List<ScoredChunk> chunks, string question)
{
var sb = new StringBuilder();
sb.AppendLine("You are answering a question using ONLY the content below.");
sb.AppendLine("Rules:");
sb.AppendLine("- Answer ONLY from the provided sources");
sb.AppendLine("- Cite which SOURCE number supports each claim");
sb.AppendLine("- Include 1-2 brief quotes as evidence");
sb.AppendLine("- If the answer isn't in the sources, say 'Not enough information'");
sb.AppendLine("- End with Confidence: High/Medium/Low");
sb.AppendLine();
for (int i = 0; i < chunks.Count; i++)
{
sb.AppendLine($"=== SOURCE {i + 1} ===");
if (chunks[i].Heading != null)
sb.AppendLine($"Section: {chunks[i].Heading}");
sb.AppendLine($"From: {url}");
sb.AppendLine(chunks[i].Content);
sb.AppendLine();
}
sb.AppendLine($"Question: {question}");
sb.AppendLine();
sb.AppendLine("Answer (with citations and confidence):");
return sb.ToString();
}
Detta går från "chatty summering" till "analys med härkomst".
public async Task<string> AskAsync(string prompt)
{
var request = new GenerateRequest { Model = "llama3.2:3b", Prompt = prompt };
var response = new StringBuilder();
await foreach (var chunk in _ollama.GenerateAsync(request))
{
if (chunk?.Response != null)
response.Append(chunk.Response);
}
return response.ToString().Trim();
}
Vi har byggt upp ett agentmönster utan ramen. varför jag föredrar detta tillvägagångssätt framför LangChain - explicit orkestrering slår magiska abstraktioner vid felsökning.
flowchart LR
subgraph Tools["Tools (Deterministic)"]
T1[fetch_url]
T2[clean_html]
T3[chunk_text]
T4[select_relevant]
end
subgraph LLM["LLM (Reasoning)"]
R[Interpret + Answer]
end
T1 --> T2 --> T3 --> T4 --> R
R -->|"Low confidence"| Retry[Retry with different selection]
Retry --> T4
style T4 stroke:#e74c3c,stroke-width:3px
style R stroke:#3498db,stroke-width:3px
Loopen: om självförtroendet är lågt, försök igen med fler bitar eller olika nyckelord.
var answer = await AskAsync(prompt);
if (answer.Contains("Not enough information") || answer.Contains("Confidence: Low"))
{
// Retry with more chunks
var moreChunks = SelectByKeywords(allChunks, question, topK: 5);
answer = await AskAsync(BuildPrompt(url, moreChunks, question));
}
flowchart TB
subgraph Failures["Failure Modes"]
F1[Cleaner removes content]
F2[Chunking breaks mid-thought]
F3[Selection picks wrong chunks]
F4[LLM hallucinates connections]
end
F1 --> R1["'Not enough info' - answer existed"]
F2 --> R2["Partial answer - context lost"]
F3 --> R3["Wrong answer - right content skipped"]
F4 --> R4["Confident but wrong"]
style F3 stroke:#e74c3c,stroke-width:3px
Felsökningsregeln:
Om svaret är fel, är det nästan alltid för att Urvalet var fel, inte för att modellen misslyckades.
Misslyckandet är oftast inte LLM, det är uppströms.
public class WebAnalyzer : IDisposable
{
private readonly WebFetcher _fetcher = new();
private readonly HtmlCleaner _cleaner = new();
private readonly OllamaApiClient _ollama = new(new Uri("http://localhost:11434"));
public async Task<AnalysisResult> AnalyzeAsync(string url, string question)
{
// 1. Fetch
var html = await _fetcher.FetchAsync(url);
// 2. Clean (with observability)
var cleaned = _cleaner.Clean(html);
Console.WriteLine($"Cleaned: {cleaned.OriginalLength} → {cleaned.Text.Length} bytes ({cleaned.MatchedSelector})");
// 3. Chunk
var chunks = ChunkByHeadings(html);
Console.WriteLine($"Chunks: {chunks.Count}");
// 4. Select (with logging)
Console.WriteLine("Selection scores:");
var selected = SelectByKeywords(chunks, question, topK: 3);
// 5. Prompt + LLM
var prompt = BuildPrompt(url, selected, question);
var answer = await AskAsync(prompt);
return new AnalysisResult
{
Answer = answer,
ChunksUsed = selected.Count,
SelectionScores = selected.Select(s => s.Score).ToList()
};
}
public void Dispose() => _fetcher.Dispose();
}
Användning med vårt körexempel:
using var analyzer = new WebAnalyzer();
var result = await analyzer.AnalyzeAsync(
"https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview",
"What performance improvements are in .NET 10?"
);
Console.WriteLine(result.Answer);
Utdata inkluderar citeringar och förtroende:
Based on SOURCE 1 and SOURCE 2:
.NET 10 includes several performance improvements:
- JIT improvements including better inlining and method devirtualization (SOURCE 1)
- "Enhanced loop inversion for better optimization" (SOURCE 1)
- NativeAOT enhancements for improved code generation (SOURCE 2)
Confidence: High
Det fungerar bra, det fungerar inte. |------------|--------------| Dokumentation på JavaScript SPAs på blogginlägg, artiklar på Dynamiskt/interaktivt innehåll Tekniska referenser med flera sidors forskning på Statisk HTML-text Autentiserat innehåll
För JS-tunga webbplatser, behöver du Spelrätt för .NET.
flowchart LR
subgraph Your["Your Code's Job"]
direction TB
F[Fetch reliably]
C[Clean carefully]
S[Select correctly]
O[Observe everything]
end
subgraph LLM["LLM's Job"]
direction TB
R[Reason over what you gave it]
A[Admit when it doesn't know]
end
Your --> LLM
style S stroke:#e74c3c,stroke-width:3px
style R stroke:#3498db,stroke-width:3px
LLM kan bara resonera om vad du gav det. Urvalet är ditt ansvar.
Be inte LLM att bläddra.
Fullständigt genomförande av arbetet: Mestlylucid.LlmWebFetcher
Innehåller:
WebFetcher - HTTP med korrekt hanteringHtmlCleaner - Bullerborttagning + reservstrategierContentChunker - Dom och rubrikbaserad styckningWebContentAnalyzer - Full pipeline med loggningOllamaExtensions - Hjälpare för streaming-svarcd Mostlylucid.LlmWebFetcher
dotnet run
Bibliotek
LLM-minnen
Relaterade artiklar
Microsoft AI Stack
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.