Steg 2: anslut Decodo-skrapning

Skrapa sidan med prisfall och skicka det extraherade innehållet vidare till LLM-extraktionssteget.

1. Öppna Decodo Scrape Request och sätt URL till {{ $json.price_drop_url }}.
2. Låt Headless vara satt till false och Markdown vara satt till true.
3. Inloggningsuppgifter krävs: Anslut era decodoApi-inloggningsuppgifter i Decodo Scrape Request.
4. Anslut Assign Input Parameters → Decodo Scrape Request → LLM Structured Extraction.

Steg 3: konfigurera LLM Structured Extraction

Använd en LLM för att tolka den skrapade markdownen till strukturerad JSON för vidare bearbetning.

1. Öppna LLM Structured Extraction och sätt Text till Extract clean, structured JSON data from the following text: {{ $json.results[0].content }}.
2. Säkerställ att Has Output Parser är aktiverat så att Structured Output Reader kan validera schemat.
3. Öppna Structured Output Reader och bekräfta att JSON-schemat matchar de nödvändiga produktfälten (id, title, price, savings, link).
4. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Chat Engine.

Steg 4: bearbeta produkter i batchar och kör parallell AI-analys

Dela upp den strukturerade arrayen i enskilda objekt, skrapa varje produktsida och kör sentiment- och sammanfattningsanalys parallellt.

1. Öppna Expand Array Items och sätt Field To Split Out till output.
2. Anslut LLM Structured Extraction → Expand Array Items → Iterate Product Batches.
3. Öppna Product Page Scraper och sätt URL till {{ $json.link }}, med Headless satt till false och Markdown satt till true.
4. Inloggningsuppgifter krävs: Anslut era decodoApi-inloggningsuppgifter i Product Page Scraper.
5. Product Page Scraper skickar output till både Analyze Sentiment Tone och Generate Content Summary parallellt.
6. För Analyze Sentiment Tone, sätt Text till Perform a detailed sentiment analysis on the following content: {{ $json.results[0].content }}.
7. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Sentiment Model (språkmodellen för Analyze Sentiment Tone).
8. För Generate Content Summary, sätt Text till Generate a clear, accurate, and comprehensive summary of the following content: - {{ $json.results[0].content }}.
9. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Summary Model (språkmodellen för Generate Content Summary).
10. Anslut båda AI-noderna till Combine Summary & Sentiment för att slå ihop deras output.

Steg 5: konfigurera aggregering och output till Google Sheets

Aggregera sammanslagna resultat och lägg till eller uppdatera dem i ert Google-ark, och loopa sedan till nästa batch.

1. Anslut Combine Summary & Sentiment → Aggregate Results.
2. Öppna Aggregate Results och behåll Aggregate satt till aggregateAllItemData.
3. Öppna Modify Google Spreadsheet och sätt Operation till appendOrUpdate.
4. Sätt Document till [YOUR_ID] och Sheet till Sheet1 (gid=0).
5. Mappa kolumnen output till {{ $json.data.toJsonString() }}.
6. Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Modify Google Spreadsheet.
7. Anslut Modify Google Spreadsheet tillbaka till Iterate Product Batches för att fortsätta batchbearbetningen.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att säkerställa att skrapning, extraktion, AI-analys och uppdatering av kalkylarket lyckas hela vägen.

1. Klicka på Execute Workflow från Manual Execution Start för att köra ett fullständigt test.
2. Verifiera att Decodo Scrape Request returnerar markdown-innehåll och att LLM Structured Extraction producerar en strukturerad array.
3. Bekräfta att både Analyze Sentiment Tone och Generate Content Summary returnerar giltig JSON och slås ihop korrekt i Combine Summary & Sentiment.
4. Kontrollera att Modify Google Spreadsheet lägger till eller uppdaterar rader i ert målark.
5. När allt ser korrekt ut, växla arbetsflödet till Active för produktion.