メインコンテンツへスキップ
WEB_CRAWL は開始アドレスからサイトのリンクを幅優先でたどり、各ページを WEB_SCRAPE と同じように読みます。すべてのページのMarkdown、メタデータ、画像を1つの結果で受け取れます。

リクエスト

パラメータ

クロールがたどるのは、サイト内にとどまり(www. の有無は問いません)、パスパターンに合い、ファイルではなくWebページを指し(PDF、画像、アーカイブなどのファイルは飛ばします)、サイトの robots.txt がすべてのクローラーに許可しているリンクです。

レスポンス

例:

クレジット

送信時、タスクは maxPages の1ページにつき1クレジットを確保します(上の例では25クレジット)。完了時に pages のページごとに1クレジットを課金し、残りの確保分は解放します。failed のページは課金されません。25ページ中3ページを返したクロールは3クレジットです。確保の仕組みはクレジットと制限を参照してください。

制限とエラー

  • 開始ページを読めない場合、タスクは PAGE_UNAVAILABLE で失敗します。それ以外の読めないページは failed に入り、クロールは続きます。
  • 不正なオプションは、フィールドを示した 422 VALIDATION_ERROR を返します。
  • WEB_CRAWL は markdown、rawResponse、searchQueries を無視します。html と analysis は 422、citationAnalysis は 400 で拒否します。未対応のフラグを参照してください。
  • その他のリクエストエラーはエラーに記載しています。

関連