Mistral Web Scraping: Leyendo Datos Ocultos en Atributos HTML

Resumen:

• Mistral lee datos que no están en el texto visible en absoluto, y una ejecución en vivo lo demuestra. Al alimentar una página de catálogo de laptops renderizada, mistralai/ministral-3b-2512 devolvió 6 productos con el nombre completo del producto y una calificación numérica — ambos valores que existen solo en atributos HTML, no en el texto que ve un lector.
• El nivel más barato actual de Mistral es una línea dedicada a pequeños modelos, no una versión reducida de su modelo insignia. Ministral 3 es la familia eficiente diseñada específicamente de Mistral; esta guía revisó el catálogo de OpenRouter en vivo para el modelo más barato actual en lugar de reutilizar un nombre más antiguo "Mistral 7B" de la memoria.
• El modelo aún no puede hacer fetch. El renderizado, las sesiones y los desafíos de acceso pertenecen a una capa de fetch; esta guía utiliza un POST por página a través de la API de Scraping Universal sin Scrapers.
• Los datos solo de atributos son una verdadera trampa de extracción. El texto visible de un enlace de página puede leer "Packard 255 G2..." mientras que el verdadero nombre del producto está completo en un atributo title a solo unos caracteres de distancia — el esquema y el prompt de esta guía indican exactamente dónde leer.
• ¿No tienes clave Mistral aún? La solicitud idéntica se ejecuta a través de OpenRouter. Esta guía la ejecutó en vivo en mistralai/ministral-3b-2512 y muestra la salida capturada.
• Gratis para empezar en el lado de fetch. Crea tu clave API de Scraping Sin Scrapers en app.scrapeless.com.

¿Puede Mistral extraer sitios web?

Mistral extrae; no recolecta. Envíale el texto de la página y un esquema y devuelve los campos que nombras — de forma económica, ya que los precios de la pequeña categoría de la familia del modelo se encuentran entre los más bajos de cualquier API actual. Lo que no puede hacer es recuperar una URL, ejecutar el JavaScript que ensambla una página, o gestionar sesiones y desafíos de acceso a volumen de scraping. Ese trabajo pertenece a una capa de fetch, mantenida separada del modelo a propósito.

Esta es una superficie genuinamente abierta: ninguna publicación anterior en este sitio explica cómo emparejar Mistral con una capa de fetch en vivo para la extracción web. Para la pregunta adyacente de cuál familia de modelos elegir, el explicador de scraper LLM y la lista clasificada de scrapers LLM cubren la categoría.

Instalar

El SDK oficial de Mistral cubre la ruta nativa, openai cubre la ruta de OpenRouter, y requests cubre la capa de fetch:

pip install "mistralai==2.7.2" "openai==2.48.0" requests

Configurar

export MISTRAL_API_KEY="tu_clave_mistral"
export SCRAPELESS_API_KEY="sk_tu_clave_scrapeless"

Extraer una página donde los datos reales se ocultan en atributos

El objetivo de la demostración es un sandbox público de catálogo de laptops donde el enlace visible del producto está truncado ("Packard 255 G2...") pero el nombre completo se encuentra en el atributo title de ese mismo enlace, y la calificación por estrellas no se extrae de un markup de íconos sino de un valor data-rating en un elemento envolvente. Un POST a la API de Scraping Universal devuelve la página renderizada:

# fetch_laptops.py — un POST devuelve la página del catálogo de laptops renderizada
import os

import requests

resp = requests.post(
    "https://api.scrapeless.com/api/v2/unlocker/request",
    headers={
        "Content-Type": "application/json",
        "x-api-token": os.environ["SCRAPELESS_API_KEY"],
    },
    json={
        "actor": "unlocker.webunlocker",
        "input": {
            "url": "https://webscraper.io/test-sites/e-commerce/static/computers/laptops",
            "method": "GET",
            "js_render": True,
        },
    },
    timeout=120,
)
resp.raise_for_status()
html = resp.json().get("data", "")
print(f"se obtuvieron {len(html):,} caracteres")
print("tarjetas de productos:", html.count('class="card thumbnail"'))

with open("page.html", "w", encoding="utf-8") as f:
    f.write(html)

La ejecución imprime 6 tarjetas de productos de una página de catálogo en vivo alojada en un sitio público de práctica de scraping — una página pequeña, deliberadamente acotada en lugar de la lista completa de varios cientos de ítems que el mismo dominio también ofrece.

Implementación básica: Mistral como extractor

El método chat.complete del SDK oficial toma response_format={"type": "json_object"}, documentado en la referencia en modo JSON de Mistral. El nivel más barato actual de Mistral es ministral-3b-2512 — el modelo más pequeño de la familia Ministral 3, no un nombre antiguo de Mistral 7B que aún circula en tutoriales más viejos.

Nota: Este bloque necesita una MISTRAL_API_KEY con crédito — el único requisito que esta guía no asume. La siguiente sección ejecuta la extracción idéntica en vivo a través de OpenRouter, con la salida capturada.

# extract_mistral.py — extracción nativa de Mistral (requiere MISTRAL_API_KEY)
import json
import os

from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

page_html = open("page.html", encoding="utf-8").read()

response = client.chat.complete(
    model="ministral-3b-2512",
    temperature=0,
    max_tokens=2000,
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "system",
            "content": 'Extrae todas las laptops. Responde SOLO con JSON: '
            '{"laptops":[{"title":str,"price_usd":number,"rating":int,"review_count":int}]}. '
            "el título es el nombre completo del producto del atributo title del enlace, no el texto visible truncado. "
            "la calificación es de 1 a 5, léela del atributo data-rating.",
        },
        {"role": "user", "content": page_html},
    ],
)

data = json.loads(response.choices[0].message.content)
print(f"se extrajeron {len(data['laptops'])} laptops")

Sin truco de prefijación, sin objeto de esquema separado — response_format por sí solo es suficiente para el modo JSON de Mistral.

¿Sin clave de Mistral? Ejecútalo a través de OpenRouter

Debido a que ambas superficies hablan el mismo contrato en modo JSON, la variante agregadora difiere por poco más que el cliente y la URL base. Esta es la versión que esta guía ejecutó en realidad, obtención y extracción en un script autónomo:

# extract_openrouter.py — la misma extracción, ejecutada a través de OpenRouter
import json
import os

import requests
from openai import OpenAI

resp = requests.post(
    "https://api.scrapeless.com/api/v2/unlocker/request",
    headers={
        "Content-Type": "application/json",
        "x-api-token": os.environ["SCRAPELESS_API_KEY"],
    },
    json={
        "actor": "unlocker.webunlocker",
        "input": {
            "url": "https://webscraper.io/test-sites/e-commerce/static/computers/laptops",
            "method": "GET",
            "js_render": True,
        },
    },
    timeout=120,
)
resp.raise_for_status()
page_html = resp.json().get("data", "")

client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=os.environ["OPENROUTER_API_KEY"])

completion = client.chat.completions.create(
    model="mistralai/ministral-3b-2512",
    temperature=0,
    max_tokens=2000,
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "system",
            "content": 'Extrae todas las laptops. Responde SOLO con JSON: '
            '{"laptops":[{"title":str,"price_usd":number,"rating":int,"review_count":int}]}. '
            "el título es el nombre completo del producto del atributo title del enlace, no el texto visible truncado. "
            "la calificación es de 1 a 5, léela del atributo data-rating.",
        },
        {"role": "user", "content": page_html},
    ],
)

data = json.loads(completion.choices[0].message.content)
print(f"se extrajeron {len(data['laptops'])} laptops")
for row in data["laptops"]:
    print(json.dumps(row, ensure_ascii=False))

La ejecución en vivo devolvió las 6 laptops, cada campo coincidiendo exactamente con la página fuente:

se extrajeron 6 laptops
{"title": "Packard 255 G2", "price_usd": 416.99, "rating": 2, "review_count": 2}
{"title": "Aspire E1-510", "price_usd": 306.99, "rating": 3, "review_count": 2}
{"title": "ThinkPad T540p", "price_usd": 1178.99, "rating": 1, "review_count": 2}
{"title": "ProBook", "price_usd": 739.99, "rating": 4, "review_count": 8}
{"title": "ThinkPad X240", "price_usd": 1311.99, "rating": 3, "review_count": 12}
{"title": "Aspire E1-572G", "price_usd": 581.99, "rating": 1, "review_count": 2}

Cada título, precio, calificación y recuento de reseñas coincide con el marcado fuente uno a uno — el modelo leyó el atributo title para el nombre completo en lugar del texto truncado del enlace, y el atributo data-rating en lugar de contar el marcado de iconos. La llamada completa: 28,797 tokens, casi todos de entrada, porque la página obtenida lleva una página completa de navegación y script alrededor de seis pequeñas tarjetas de productos.

Obtén tu clave API en el plan gratuito: app.scrapeless.com

Patrones avanzados

• Diga exactamente dónde vive un valor cuando no está en el texto visible. "Lea el título completo del atributo title" y "lea la calificación de data-rating" son lo que produjo una salida correcta aquí — un aviso que solo dice "extraer el título" invita al modelo a devolver la cadena truncada que puede ver.
• Observe la relación entre los tokens de entrada y salida. Esta ejecución gastó 28,554 tokens en la entrada frente a solo 243 en la salida — el entorno circundante de la página, no los seis registros, domina la factura. Recortar al contenedor del producto antes de enviar reduciría eso en gran medida sin pérdida de contenido extraíble.
• Mantenga la temperatura en cero para la extracción. Los modelos Ministral responden bien a temperature=0 para tareas estructuradas; cualquier cosa más alta reintroduce el riesgo de parafrasear que derrota campos de coincidencia exacta como un atributo de título.
• Reserve los niveles más grandes de Mistral para páginas genuinamente difíciles. El nivel de 3B leyó datos codificados en atributos sin errores aquí; escale solo si un campo específico sigue volviendo incorrecto en una entrada que de otro modo está limpia.

Solución de problemas

• Los títulos vuelven truncados, coincidiendo solo con el texto visible. El aviso no dijo que leyera el atributo. Nombra la fuente exacta ("el atributo title del enlace") en lugar del campo solo.
• Las calificaciones son incorrectas o todas idénticas. El valor generalmente reside en un atributo (data-rating) en lugar de un ícono contable o un número simple en texto — diga dónde vive, así como lo hace el aviso de esta guía.
• Menos computadoras portátiles de las que realmente tiene la página. Compruebe primero el recuento de tarjetas del HTML obtenido, de la misma manera que lo hace el script de obtención anterior — una obtención corta es un problema de renderizado, no algo que el aviso de extracción pueda arreglar.
• La salida varía entre ejecuciones idénticas. Establezca temperature=0; la extracción es una tarea de transcripción, no una generativa.

Conclusión

El nivel más barato actual de Mistral manejó una verdadera trampa con claridad: un título visible truncado, una calificación oculta en un atributo de datos, y leyó ambos correctamente con nada más que una bandera response_format y dos oraciones diciéndole dónde viven los valores reales. Lo que el modelo aún no puede hacer es obtener esa página en primer lugar — un POST a través de una capa de obtención dedicada suministra el HTML, y el esquema de seis líneas anterior lo convierte en registros tipados sin ningún código de selector en la pipeline.

¿Listo para alimentar a Mistral con páginas reales?

La capa de obtención aquí es la API de Scraping Universal — los planes y volúmenes de solicitud están en la página de precios, con cada parámetro unlocker.webunlocker en la documentación para desarrolladores. Cree una clave en el plan gratuito en app.scrapeless.com y ambos scripts funcionen como están escritos.

Preguntas Frecuentes

P: ¿Puede Mistral raspar sitios web por sí mismo?

No. La API de Mistral extrae de texto que usted proporcione; no puede emitir solicitudes HTTP, renderizar JavaScript o mantener una sesión. Cada configuración de raspado que funcione con Mistral se empareja con una capa de obtención que devuelve contenido fiel de la página.

P: ¿Qué modelo de Mistral debo usar para la extracción de raspado web?

ministral-3b-2512 — el nivel más barato actual en la familia de modelos pequeños dedicados de Ministral 3, verificado contra el catálogo vivo de OpenRouter en lugar de un nombre anterior "Mistral 7B". La ejecución en vivo de esta guía lo usó y devolvió los 6 registros con cada campo coincidiendo exactamente con la página fuente.

P: ¿Cómo maneja Mistral los datos que están ocultos en atributos HTML en lugar de texto visible?

Correctamente, cuando el aviso dice dónde buscar. El mensaje del sistema de esta guía nombró el atributo exacto tanto para el título no truncado como para la calificación numérica; sin esa instrucción, un modelo tiende a devolver el texto truncado que puede ver visualmente en su lugar.

P: Mistral local a través de Ollama versus la API — ¿cuál debo usar para la extracción de raspado?

El camino de la API en esta guía no necesita GPU local ni descarga de modelo y devuelve resultados en una solicitud; un despliegue local de Ollama intercambia esa conveniencia por cero costo por token y plena localidad de datos. Ambos apuntan a la misma arquitectura de obtener luego extraer en diferentes entornos de ejecución — elija la API para trabajos de bajo volumen o esporádicos, local para trabajos de alto volumen o sensibles a datos.

P: ¿Es legal raspar con Mistral?
La capa de extracción no cambia las reglas de recopilación. Obtenga solo páginas públicas, respete los términos del sitio y las directrices de robots estandarizadas por el Protocolo de Exclusión de Robots, mantenga los volúmenes limitados y maneje cualquier dato personal de acuerdo con la ley aplicable, además de los términos de uso de Mistral en el lado del modelo.