Öffentliche Schlüssel funktionieren nicht. Schlüssel, die mit
pk_ beginnen, sind für Browser-Widgets gedacht und werden vom Reader abgelehnt. Mehr erfahren Sie unter
Private Keys.
---
## EnConvertReader verwenden
Der Reader unterstützt zwei Modi.
### Einige URLs erfassen
URLs einzeln in Markdown `Document`s umwandeln:
```python
from llama_index.readers.enconvert import EnConvertReader
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(urls=["https://example.com", "https://example.com/pricing"])
```
Die Metadaten jedes Document tragen:
- `url`: die Quell-URL
- `render_quality`: eine Zahl von 0,0 (blockiert/leer) bis 1,0 (sauberes Rendering)
### Eine Site in Chunks durchsuchen
Eine ganze Site durchsuchen und ein Document pro Inhalts-Chunk zurückgeben, bereit für semantische Suche:
```python
from llama_index.readers.enconvert import EnConvertReader
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(
ingest_url="https://docs.example.com",
mode="sitemap", # oder "crawl" oder "hybrid"
max_pages=100
)
```
Die Metadaten jedes Document tragen die Chunk-eigene Quell-URL, Titel und Abschnitt-Kontext. Der Reader fragt den Ingestion-Job bis zum Abschluss ab, also `load_data()` ist synchron.
---
## Einen Vector Index bauen
Den Reader in einen Vector Store und eine Abfrage verketten:
```python
from llama_index.readers.enconvert import EnConvertReader
from llama_index.core import VectorStoreIndex, StorageContext
from llama_index.core.storage.docstore import SimpleDocumentStore
from llama_index.core.vector_stores import SimpleVectorStore
# Documents laden
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(ingest_url="https://docs.example.com", mode="sitemap")
# Index bauen
index = VectorStoreIndex.from_documents(docs)
# Abfragen
query_engine = index.as_query_engine()
response = query_engine.query("Wie installiere ich das?")
print(response)
```
---
## Fehlerbehebung
**`raise ValueError("Provide either urls or ingest_url, but not both")`**
Sie übergaben sowohl `urls=` als auch `ingest_url=` an `load_data()`. Wählen Sie eine: einzelne URLs erfassen oder eine Site durchsuchen. Das Übergeben keiner wirft auch einen Fehler.
**`AuthenticationError: 401 Unauthorized`**
Der API-Schlüssel ist falsch oder fehlt. Überprüfen Sie, dass Sie `api_key="sk_..."` übergeben oder `$ENCONVERT_API_KEY` auf einen **privaten** Schlüssel (beginnt mit `sk_`) setzen. Öffentliche Schlüssel werden sofort abgelehnt.
**`Die Ladezeit scheint sehr lang.`**
Site-Crawls sind asynchron. Der Reader fragt, bis der Job fertig ist, was für eine große Site mehrere Minuten dauern kann. Fragen Sie den Job-Status direkt über `/v2/ingest/{job_id}` ab oder verwenden Sie die async-Variante (falls verfügbar).
**`render_quality ist sehr niedrig.`**
Ein niedriger Score (< 0,5) bedeutet, die Seite ist blockiert, leer oder schweres JavaScript, das nicht rechtzeitig gerendert wurde. Überprüfen Sie die Quell-URL in einem Browser, um zu sehen, was die Seite tatsächlich liefert. Ist es eine Single-Page App, könnte ein zweites Rendering erfolgreich sein; ist es blockiert, gibt es keinen Wiederversuch.
---
## Quelle und Links
- **Quelle**: [enconvert/llama-index-readers-enconvert](https://github.com/enconvert/llama-index-readers-enconvert)
- **Paket**: [PyPI](https://pypi.org/project/llama-index-readers-enconvert)
- **Lizenz**: MIT
- **LlamaIndex-Dokumentation**: [docs.llamaindex.ai](https://docs.llamaindex.ai)
- **Zugrunde liegende API**: [Introduction](/docs/introduction.md)
---
## Häufig gestellte Fragen
### Wie lade ich eine einzelne URL in ein Document?
```python
from llama_index.readers.enconvert import EnConvertReader
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(urls=["https://example.com"])
```
Der Inhalt jedes Document ist das Markdown der Seite, und Metadaten tragen die `url` und `render_quality`-Score.
### Wie durchsuche und indexiere ich eine ganze Site?
```python
from llama_index.readers.enconvert import EnConvertReader
from llama_index.core import VectorStoreIndex
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(ingest_url="https://docs.example.com", mode="sitemap", max_pages=100)
index = VectorStoreIndex.from_documents(docs)
# Abfragen
engine = index.as_query_engine()
response = engine.query("Was ist das?")
```
### Wie überprüfe ich die render_quality einer Seite vor dem Indexieren?
Die Metadaten jedes Document enthalten `render_quality`, ein Score von 0,0 bis 1,0. Filtern Sie hochwertige Documents vor dem Indexieren:
```python
high_quality = [doc for doc in docs if doc.metadata.get('render_quality', 1.0) > 0.5]
index = VectorStoreIndex.from_documents(high_quality)
```
### Kann ich mehrere Sites durchsuchen?
Ja. Erstellen Sie einen Reader pro Site und rufen Sie `load_data()` nacheinander auf oder parallelisieren Sie die Aufrufe in Ihrem eigenen async-Code.
### Kann ich dies mit anderen LlamaIndex-Komponenten verwenden?
Ja. EnConvertReader gibt standard LlamaIndex Documents zurück, also funktioniert es mit jedem downstream Index oder jeder Komponente.