🤖 MACHINE LEARNING (ML) & DEEP LEARNING INGESTION

وب اسکرپینگ با مقیاس کلان برای ماشین لرنینگ (ML) و مدل‌های زبانی

تغذیه مستقیم دیتاست‌های باکیفیت و بدون نویز برای آموزش مدل‌های یادگیری ماشین (Machine Learning)، فاین‌تیون مدل‌های زبانی بزرگ (LLMs) و ساخت پایگاه‌های داده ترکیبی. تبدیل کدهای زائد HTML به مارک‌داون مهندسی‌شده با ۹۰٪ صرفه‌جویی توکن.

شروع رایگان استخراج دیتاست ML مستندات REST API
90%+ Token Noise Reduction
JSONL & Parquet Ready
50,000 Concurrent Pages Crawl
Anti-Bot & WAF Stealth Engine
END-TO-END ML PIPELINE

چرخه کامل پردازش داده وب برای پایپ‌لاین‌های یادگیری عمیق

از وب‌سایت‌های پیچیده جاوااسکریپتی تا دیتاست‌های آماده Hugging Face در ۴ گام هوشمند

🌐

1. Stealth Crawling

Bypass Cloudflare Turnstile, DataDome, and anti-scraping WAFs using distributed residential proxies and headless Chromium clusters.

🧹

2. Fit-Markdown Cleaning

Heuristically strip navigation bars, advertisements, cookie popups, and SVG glyphs. Retain pure editorial text, markdown tables, and headers.

📐

3. Semantic Chunking

Split documents along semantic boundaries (H2, H3, paragraphs) preserving context rather than blind character token slicing.

💾

4. Export & Embedding

Export directly to JSONL, Parquet or compute native 1536-dim / 3072-dim embeddings ready for direct upsert into Pinecone and Qdrant.

DEVELOPER EXPERIENCE

استخراج دیتاست با پایتون و ابزارهای Machine Learning

Integrate directly into PyTorch, Hugging Face Datasets, LangChain, or Ray. Stream scraped web documents as structured JSONL ready for tokenizer pre-training.

  • Zero rate-limiting: scale to millions of URLs concurrently
  • Automatic language detection and YAML frontmatter metadata
  • Crypto-native API billing: top up with USDT / TRX with zero KYC
View Python SDK Guide →
ml_dataset_ingestion.py Python 3.11+
from flycrawl import FlyCrawlApp

app = FlyCrawlApp(api_key="YOUR_FLYCRAWL_API_KEY")

# 1. Scrape & generate clean token-minimized ML training data
result = app.scrape_url(
    "https://en.wikipedia.org/wiki/Deep_learning",
    params={
        "formats": ["markdown", "chunks", "embeddings"],
        "only_main_content": True,
        "embeddings": {
            "dimensions": 3072,
            "model": "native-large"
        }
    }
)

# 2. Output ready for fine-tuning or vector databases
print(f"Token reduction: {result.get('token_saved_pct')}%")
print(f"Clean Markdown: {result['markdown'][:250]}...")
print(f"Vector Dimensions: {len(result['embeddings'][0])}")
FREQUENTLY ASKED QUESTIONS

پرسش‌های پرتکرار درباره اسکرپینگ برای ماشین لرنینگ

Why is Fit-Markdown better than raw HTML for Machine Learning training?

Raw HTML contains over 70% to 90% boilerplate (CSS classes, script tags, tracking pixels, nested navbars). Feeding raw HTML to tokenizers wastes token context windows and teaches models irrelevant web markup instead of semantic facts. Fit-Markdown isolates the core content, slashing training token costs.

Can FlyCrawl scrape dynamic Single-Page Applications (React, Vue, Next.js) for ML datasets?

Yes. FlyCrawl uses a headless Chromium browser cluster with automated DOM wait conditions, JavaScript execution, and infinite-scroll handling to render single-page applications before extracting structured markdown.

What export formats are supported for ML datasets?

FlyCrawl supports Fit-Markdown, Structured JSON, JSONL (JSON Lines) for bulk pretraining corpora, Parquet files, and pre-computed 1536-dimensional and 3072-dimensional vector embeddings.

شروع ساخت دیتاست بدون محدودیت