提取
- 公开网站，遵守其条款，且不会造成过大负担
- PDF、发票和扫描文件，使用 OCR 识别
- Excel、CSV 以及其他软件导出的文件
- 官方 API 和开放数据门户（如果存在）
我们如何处理您的数据
清洗与标准化
- 日期、电话号码和国家采用标准格式，例如 ISO 8601 或 E.164
- 即使写法不同，也能识别出重复记录
- 拆分字段并统一单位
- 可疑记录会被标记以供审查，而不是直接删除
导入与重复执行
我们以电子表格、CSV 文件的形式交付，或直接导入您的数据库或 CRM。如果数据源持续更新，我们会为您留下一个 n8n 工作流或定时脚本。
合法有序：我们遵守的限制
这是技术协助，而非法律咨询：如果项目涉及法律问题，应在我们开始前由您的律师进行评估。
使用条款与 robots.txt
我们会阅读每个网站的使用条款及其 robots.txt。后者是网站用来声明不希望被抓取内容的标准（RFC 9309）。我们不会绕过登录、付费墙或验证码，并会限制请求频率。
个人数据与 GDPR
公开并不意味着可以用于任何目的：GDPR 同样保护已公开的个人数据。我们只收集所需的字段，绝不建立用于未经请求的商业信息推送的名单。
工作如何进行
五个步骤
- 我们明确数据的用途，以及所需的字段
- 我们审查数据源和条款；如果涉及个人数据，则检查其是否符合 GDPR
- 我们在样本上测试提取过程，并衡量其质量
- 我们与您共同确定清洗和去重规则
- 我们处理完整数据集，并附带质量报告交付
适合与不适合的项目
适合的项目
需要导入店铺的 PDF 格式供应商目录、CRM 迁移前需要去重的客户数据库、需要跟踪的某个市场的公开价格，或用于研究的开放数据。
不适合的项目
为冷推广而收集邮箱或电话号码，复制受保护的内容再重新发布，或从明令禁止抓取的网站提取数据。如果您需要法律意见，也不适合，这属于律师的工作。
每次交付包含的内容
数据与文档
- 符合约定格式的干净数据集
- 数据字典，说明每个字段的来源和格式
- 质量报告：处理的记录数、合并的重复项以及存疑的情况
- 可重复执行过程的脚本或 n8n 工作流（已记录文档）
- 数据源日志，记录每次提取的日期
如果流程需要重复执行
工作流运行在您付费的服务器上，即 n8n Cloud 或您自有的 VPS，费用已包含在报价中，并以您的名义保存。
使用真实数据集的 7 天试用
从样本到结果
一个切实可行的方案是清洗并去重您的客户数据库或目录，或将某个特定公开数据源的提取过程自动化。我们从样本开始，约定规则，并附带质量报告交付结果。在处理任何一条记录之前，我们都会以书面形式约定范围、时间和条款。
常见问题
常见问题解答
从公开网站提取数据合法吗？
这取决于数据内容、网站以及用途。网站的使用条款、对其内容的权利，以及如果涉及个人数据，还有 GDPR，都会产生影响。我们会采用审慎的技术标准，并指出我们发现的风险，但我们不提供法律意见：如遇存疑情况，请与您的律师共同决定。
如果网站改版怎么办？
网站页面结构一旦变化，提取过程就会失效。因此我们更倾向于使用官方 API 或下载渠道（如果存在），添加检查机制，在数据为空或格式异常时发出提醒，并记录如何调整流程。如有需要，维护工作将另行约定。
你们能从扫描的 PDF 中提取数据吗？
可以，使用 OCR。对于复杂的文档，我们会结合 AI 模型，提取金额、日期或编号等特定字段。质量取决于扫描件的清晰度，因此我们会在样本上进行验证，标记置信度较低的字段，并在文档包含合计时核对总额。
你们如何识别重复项？
我们结合精确规则（例如相同的税号或邮箱）与模糊匹配，对名称和地址中的缩写、重音符号或拼写错误进行处理。明确的重复项会自动合并，存疑的则列入清单，由您的团队决定。我们的请求自动化演示展示的正是这一思路：它是浏览器中的模拟，并非真实的工作流。