Pengekstrakan
- Laman web awam, dengan menghormati terma mereka dan tanpa membebankannya
- PDF, invois dan dokumen yang diimbas dengan OCR
- Excel, CSV dan eksport daripada perisian lain
- API rasmi dan portal data terbuka, apabila ia wujud
Perkhidmatan Nexura Digital
Pengekstrakan dan pembersihan data supaya anda boleh bekerja dengan maklumat yang boleh dipercayai
Kami mengumpul data daripada laman web awam, dokumen dan hamparan, membersihkannya dan menyerahkannya dalam format yang stabil, dengan proses yang boleh diulang.
Kami mengekstrak data daripada laman web awam, PDF, fail Excel dan sumber lain, menormalkannya, membuang pendua dan menyerahkannya sedia untuk CRM, kedai atau analisis anda. Perkhidmatan ini untuk syarikat yang mempunyai senarai, katalog atau rekod yang tidak kemas dan mahu kerja dilakukan secara sah serta didokumentasikan. Anda boleh memulakan dengan percubaan 7 hari pada satu set data tertentu.
Apa yang kami lakukan dengan data anda
Pembersihan dan penormalan
- Tarikh, nombor telefon dan negara dalam format piawai seperti ISO 8601 atau E.164
- Pendua dikesan walaupun ditulis dengan cara yang berbeza
- Medan dipisahkan dan unit diseragamkan
- Rekod yang meragukan ditandakan untuk semakan, bukan dipadam
Pemuatan dan pengulangan
Kami menyerahkan dalam hamparan, fail CSV atau terus ke pangkalan data atau CRM anda. Jika sumber terus dikemas kini, kami meninggalkan aliran kerja n8n atau skrip berjadual.
Sah dan teratur: had yang kami hormati
Ini bantuan teknikal, bukan nasihat undang-undang: jika sesuatu projek menimbulkan persoalan undang-undang, peguam anda perlu menilainya sebelum kami bermula.
Terma penggunaan dan robots.txt
Kami membaca terma penggunaan setiap laman dan robots.txt-nya, piawai (RFC 9309) yang digunakan laman untuk menyatakan apa yang tidak mahu dirayapi. Kami tidak memintas log masuk, paywall atau CAPTCHA, dan kami mengehadkan kadar permintaan.
Data peribadi dan GDPR
Awam tidak bermakna boleh digunakan untuk apa-apa tujuan: GDPR turut melindungi data peribadi yang telah diterbitkan. Kami hanya mengumpul medan yang diperlukan dan tidak sekali-kali membina senarai untuk mesej komersial yang tidak diminta.
Cara kerja berjalan
Lima langkah
- Kami menentukan untuk apa anda akan menggunakan data dan medan mana yang anda perlukan
- Kami menyemak sumber, terma dan, jika ada data peribadi, cara ia sesuai dengan GDPR
- Kami menguji pengekstrakan pada sampel dan mengukur kualitinya
- Kami bersetuju dengan anda tentang peraturan pembersihan dan penyahduplikasian
- Kami memproses set data penuh dan menyerahkannya bersama laporan kualiti
Projek yang sesuai dan yang tidak
Padanan baik
Katalog pembekal dalam PDF yang perlu masuk ke kedai anda, pangkalan data pelanggan penuh pendua sebelum migrasi CRM, harga awam dalam pasaran yang anda mahu pantau, atau data terbuka untuk kajian.
Tidak sesuai
Mengumpul e-mel atau nombor telefon untuk kempen sejuk, menyalin kandungan yang dilindungi untuk diterbitkan semula, atau mengekstrak data daripada laman yang dengan jelas melarangnya. Dan bukan jika anda memerlukan pendapat undang-undang: itu kerja peguam.
Apa yang termasuk dalam setiap penyerahan
Data dan dokumentasi
- Set data bersih dalam format yang dipersetujui
- Kamus data dengan setiap medan, asalnya dan formatnya
- Laporan kualiti: rekod yang diproses, pendua yang digabungkan dan kes yang meragukan
- Skrip yang didokumentasikan atau aliran kerja n8n untuk mengulang proses
- Log sumber dan tarikh setiap pengekstrakan
Jika proses itu berulang
Aliran kerja berjalan pada pelayan yang anda bayar, sama ada n8n Cloud atau VPS anda sendiri, dengan kosnya termasuk dalam sebut harga, dan ia kekal atas nama anda.
Percubaan 7 hari dengan set data sebenar
Daripada sampel kepada hasil
Satu pilihan yang realistik ialah membersihkan dan menyahduplikasi pangkalan data pelanggan atau katalog anda, atau mengautomasikan pengekstrakan daripada satu sumber awam tertentu. Kami bermula daripada sampel, bersetuju tentang peraturan dan menyerahkan hasil dengan laporan kualitinya. Sebelum kami menyentuh satu rekod pun, kami bersetuju secara bertulis tentang skop, tarikh dan terma.
Soalan lazim
Soalan lazim
Adakah sah untuk mengekstrak data daripada laman web awam?
Ia bergantung pada data yang mana, laman yang mana dan untuk tujuan apa. Terma penggunaan laman, hak ke atas kandungannya dan, jika data peribadi terlibat, GDPR semuanya memainkan peranan. Kami menggunakan kriteria teknikal yang berhati-hati dan menyatakan risiko yang kami lihat, tetapi kami tidak memberi nasihat undang-undang: dalam kes yang meragukan, putuskan bersama peguam anda.
Apa yang berlaku jika laman web menukar reka bentuknya?
Pengekstrakan laman web rosak apabila struktur halaman berubah. Sebab itulah kami lebih suka API atau muat turun rasmi apabila ia wujud, menambah semakan yang memberi amaran jika data tiba kosong atau dalam format yang pelik, dan mendokumentasikan cara melaraskan proses. Jika diperlukan, penyelenggaraan dipersetujui secara berasingan.
Bolehkah anda mengekstrak data daripada PDF yang diimbas?
Boleh, dengan OCR, dan bagi dokumen yang kompleks kami menggabungkannya dengan model AI yang mengambil medan tertentu seperti jumlah, tarikh atau rujukan. Kualiti bergantung pada imbasan, jadi kami mengesahkan pada sampel, menandakan medan yang keyakinannya rendah dan menyemak jumlah apabila dokumen memasukkannya.
Bagaimana anda mengesan pendua?
Kami menggabungkan peraturan tepat, seperti nombor cukai atau e-mel yang sama, dengan padanan kabur pada nama dan alamat yang mengambil kira singkatan, aksen atau kesilapan taip. Kes yang jelas digabungkan secara automatik dan yang meragukan dihantar ke senarai untuk pasukan anda putuskan. Demo automasi permintaan kami menunjukkan idea ini: ia simulasi dalam pelayar, bukan aliran kerja sebenar.
Hubungi kami
Data mana yang paling banyak memakan masa anda hari ini?
Hantarkan sampel atau terangkan sumber dan kegunaannya. Kami akan memberitahu sama ada ia boleh dilaksanakan, dengan had apa dan rupa percubaan 7 hari.