AUTOCRAWLER：用于生成 WebCrawler 的渐进式理解 Web 代理

Fudan University;Alibaba Holding-Aicheng Technology-Enterprise

Abstract：

网络自动化是一项重要技术，它通过自动化常见的网络操作来完成复杂的网络任务，提高效率并减少手动干预。传统的网络自动化方法如wrappers，在适应性和可扩展性上有局限性，而基于大型语言模型（LLMs）的生成式代理在开放世界的环境中表现不佳。本文提出了一种针对垂直信息网页的爬虫生成任务，介绍了一种结合LLMs与爬虫的新范式，以提高爬虫应对多样化和不断变化的网络环境的效率。作者提出了AUTOCRAWLER，这是一种利用HTML的层次结构进行逐步理解的两阶段框架。通过自顶向下和后退操作，AUTOCRAWLER可以从错误的操作中学习并不断修剪HTML，以更好地生成操作。作者通过多种LLMs进行了全面实验，证明了框架的有效性。

1 Introduction：

• 网络自动化通过编程与基于Web的应用程序或网站交互，以执行通常需要人工干预的任务。传统的网络自动化方法主要依赖于wrappers，这些wrappers对网站或网页具有特定的适应性。大型语言模型（LLMs）为生成式代理提供了计划、推理和反思等高级功能，但在处理开放世界任务时，仍存在性能差和可重用性低的问题。
• 主要贡献：
  1. 提出了一种新的web爬虫生成任务，并对其进行分析。
  2. 引入了AUTOCRAWLER，这是一种具有渐进理解能力的两阶段框架。
  3. 实验结果表明，AUTOCRAWLER在爬虫生成任务中表现出色。

2 Preliminaries预备知识：

• 2.1 Task Formulation：爬虫生成任务是生成执行动作序列A的过程，目标是在给定的网页集合中提取目标信息。
• 2.2 Datasets：使用SWDE、EXTENDED SWDE和DS1三个数据集来测试该任务。
• 2.3 Evaluation Metrics：提出了可执行性评估来评估动作序列的效果，并采用传统的精确度、召回率和F1分数作为指标。

3 AUTOCRAWLER：

• 3.1 Modeling：将爬虫生成任务建模为动作序列生成任务。
• 3.2 Progressive Generation：通过自顶向下和后退操作逐步生成动作序列。
• 3.3 Synthesis：通过在种子网页上执行多个不同的动作序列来选择最终的动作序列。

4 Experiment：

• 4.1 Experimental Settings & Evaluation Metrics：进行了广泛的实验设置，包括使用不同的LLMs、数据集和评估指标。
• 4.2 Main Results on SWDE：AUTOCRAWLER在执行任务时表现优于其他框架。
• 4.3 Generate with Golden Label：在提供金标签的情况下，AUTOCRAWLER仍能有效提升模型性能。
• 4.4 Further Study with AUTOCRAWLER：不同LLMs在生成动作序列的步数上存在差异，性能更强的LLMs生成的步数较少。
• 4.5 Error Analysis：分析了AUTOCRAWLER在执行任务时的常见错误，包括网页结构缺乏通用性和多值信息丢失。

Conclusion： 文章提出了一个新的网络爬虫生成任务，并介绍了AUTOCRAWLER框架，这是一种结合LLMs和爬虫的新范式。AUTOCRAWLER利用HTML的层次结构进行逐步理解，通过自顶向下和后退操作生成操作序列。通过广泛的实验证明了该框架在网络爬虫生成任务中的有效性。