Le chiavi pubbliche non funzioneranno. Le chiavi che iniziano con
pk_ sono destinate ai widget del browser e vengono rifiutate dal reader. Scopri di più su
Private Keys.
---
## Usa EnConvertReader
Il reader supporta due modalità.
### Percepisci alcuni URL
Converti i singoli URL in `Document`s markdown:
```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"])
```
I metadati di ogni Document contengono:
- `url`: l'URL di origine
- `render_quality`: un numero da 0,0 (bloccato/vuoto) a 1,0 (rendering pulito)
### Esplora un sito in chunk
Esplora un intero sito e restituisci un Document per chunk di contenuto, pronto per la ricerca semantica:
```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", # oppure "crawl" oppure "hybrid"
max_pages=100
)
```
I metadati di ogni Document contengono l'URL `url` specifico del chunk, il titolo e il contesto della sezione. Il reader esegue il polling del lavoro di ingestione fino al completamento, quindi `load_data()` è sincrono.
---
## Costruisci un Indice Vettoriale
Concatena il reader in un archivio vettoriale e una query:
```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
# Carica i documenti
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(ingest_url="https://docs.example.com", mode="sitemap")
# Costruisci l'indice
index = VectorStoreIndex.from_documents(docs)
# Query
query_engine = index.as_query_engine()
response = query_engine.query("Come installo questo?")
print(response)
```
---
## Risoluzione dei problemi
**`raise ValueError("Provide either urls or ingest_url, but not both")`**
Hai passato sia `urls=` che `ingest_url=` a `load_data()`. Scegli uno: percepisci i singoli URL o esplora un sito. Passare nessuno genera anche un errore.
**`AuthenticationError: 401 Unauthorized`**
La chiave API è scorretta o mancante. Verifica di aver impostato `api_key="sk_..."` o la variabile di ambiente `$ENCONVERT_API_KEY` su una chiave **privata** (inizia con `sk_`). Le chiavi pubbliche vengono rifiutate immediatamente.
**`Il tempo di caricamento sembra molto lungo.`**
Gli crawl dei siti sono asincroni. Il reader esegue il polling fino al completamento del lavoro, che può richiedere diversi minuti su un sito grande. Esegui il polling diretto dello stato del lavoro tramite `/v2/ingest/{job_id}` oppure usa la variante async (se disponibile).
**`render_quality è molto basso per le pagine che mi aspettavo di leggere correttamente.`**
Un punteggio basso (< 0,5) significa che la pagina è bloccata, vuota o ha JavaScript pesante che non è stato renderizzato in tempo. Controlla l'URL `url` di origine in un browser per vedere cosa fornisce effettivamente la pagina. Se è un'app mono-pagina, un secondo rendering potrebbe avere successo; se è bloccato, non ci sono tentativi.
---
## Fonte e link
- **Fonte**: [enconvert/llama-index-readers-enconvert](https://github.com/enconvert/llama-index-readers-enconvert)
- **Pacchetto**: [PyPI](https://pypi.org/project/llama-index-readers-enconvert)
- **Licenza**: MIT
- **Documentazione LlamaIndex**: [docs.llamaindex.ai](https://docs.llamaindex.ai)
- **API sottostante**: [Introduction](/docs/introduction.md)
---
## Domande frequenti
### Come carico un singolo URL in un Document?
```python
from llama_index.readers.enconvert import EnConvertReader
reader = EnConvertReader(api_key="sk_...")
docs = reader.load_data(urls=["https://example.com"])
```
Il contenuto di ogni Document è il markdown della pagina e i metadati contengono l'URL `url` e il punteggio `render_quality`.
### Come esploro e indicizzo un intero sito?
```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)
# Query
engine = index.as_query_engine()
response = engine.query("Cos'è questo?")
```
### Come verifico il render_quality di una pagina prima dell'indicizzazione?
I metadati di ogni Document includono `render_quality`, un punteggio da 0,0 a 1,0. Filtra i documenti di alta qualità prima dell'indicizzazione:
```python
high_quality = [doc for doc in docs if doc.metadata.get('render_quality', 1.0) > 0.5]
index = VectorStoreIndex.from_documents(high_quality)
```
### Posso esplorare più siti?
Sì. Crea un reader per sito e chiama `load_data()` in sequenza o parallelizza le chiamate nel tuo proprio codice async.
### Posso usare questo con altri componenti di LlamaIndex?
Sì. EnConvertReader restituisce LlamaIndex Documents standard, quindi funziona con qualsiasi indice o componente a valle.