1.2 Webサイトからデータをインポート
Dify のナレッジベースでは、Jina ReaderやFirecrawlを利用してウェブページをスクレイピングし、解析したデータをMarkdownの形式でナレッジベースに取り込むことができます。
Jina ReaderやFirecrawlは、オープンソースのウェブページ解析ツールです。ウェブページをクリーンで大規模言語モデル（LLM）が扱いやすいMarkdown形式のテキストに変換します。また、使いやすいAPIサービスも提供しています。
Firecrawl
Firecrawlの認証情報の設定
右上隅にあるアバターをクリックし、DataSourceページでFirecrawlの認証情報を設定する必要があります。
Firecrawl 公式サイト にログインして登録を完了し、APIキーを取得してから入力し、保存します。
Firecrawl を使用してWebコンテンツをクロールする
ナレッジベース作成のページでSync from websiteを選択し、スクレイピングの対象どしてのウェブページのURLを入力します。
設定項目には、サブページのスクレイピング、スクレイピングするページの上限、ページのスクレイピング深度、ページの除外、指定ページのみのスクレイピング、コンテンツの抽出などが含まれます。設定が完了したら Run をクリックし、解析結果のページをプレビューします。
解析されたテキストをナレッジベースのドキュメントにインポートし、結果を確認します。Add URL をクリックすると、新しいウェブページをさらにインポートできます。
Jina Reader
Jina Readerの認証情報の設定
右上隅にあるアバターをクリックし、DataSourceページでJina Readerの認証情報を設定する必要があります。
Jina Readerの公式サイト にログインして登録を完了し、APIキーを取得してから入力し、保存します。
Jina Reader を使用してWebコンテンツをクロールする
ナレッジベース作成のページでSync from websiteを選択し、スクレイピングの対象どしてのウェブページのURLを入力します。
設定項目には、サブページをクロールするかどうか、クロールされるページ数の上限、サイトマップのクロールを使用するかどうかなどがあります。設定が完了したら Run をクリックし、解析結果のページをプレビューします。
解析されたテキストをナレッジベースのドキュメントにインポートし、結果を確認します。Add URL をクリックすると、新しいウェブページをさらにインポートできます。
クロールが完了すると、Web ページのコンテンツがナレッジ ベースに組み込まれます。