从网站Impressum页提取并校验公司信息

原文要点

原模板是webhook式免费n8n流程：POST传website，可选organization与reference_id；先校验并规范化URL，阻止private/local地址，非法返回400。抓首页后从链接或嵌入内容找Impressum/imprint，找不到回退/impressum；抓该页转纯文本，无可用内容即停。把清洗文本送OpenAI Chat Completions按严格JSON抽公司字段，再逐字核对抽取值是否真出现在Impressum文本，未验证字段丢弃，响应返回verified数据、dropped_fields与impressum_url；公开端点建议加header鉴权。

这次做成什么

做成一个可复核的德语区公司信息抽取练习：输入一个公开测试站，输出只保留能在页面原文逐字命中的字段，并显式列出被丢字段；不编造模板节点名，不提供导入JSON。

准备什么

• n8n Cloud或自托管，能开启生产POST webhook
• OpenAI凭据或兼容提供方，可访问chat completions
• 一个允许抓取的公开测试网站，无登录与验证码
• 如公网暴露，准备header鉴权与速率限制

具体怎么做

1. 入参校验与拒私网

   webhook接收JSON后先解析website，补scheme、去空格；拒绝localhost、127.0.0.0/8、10.0.0.0/8、192.168.0.0/16、172.16.0.0/12与文件协议，非法直接400，避免把内网地址当目标。

2. 定位Impressum

   抓首页HTML，优先找文本或href含Impressum、imprint的链接；没有则试规范域名的/impressum。抓回后HTML转纯文本，保留换行，若正文低于可用长度则停止并返回no_content。

3. 严格JSON抽取

   把清洗文本连同下方提示词发给模型，要求只输出JSON对象，不得补全工商知识；字段缺省用null，不改写大小写、标点或法律形式后缀。

4. 逐字核验再出参

   对非null字符串做大小写不敏感的原文包含检查，地址等多词值需规范化空白后仍逐字命中；未命中进dropped_fields。响应只回verified_company、dropped_fields、impressum_url、reference_id。

可直接复制的材料

从给定德语Impressum纯文本抽取公司信息。只输出一个JSON对象，禁止markdown、禁止解释、禁止推测。键固定为：company_name, legal_form, street, postal_code, city, country, managing_directors, register_court, register_number, vat_id, email, phone。未在文本出现的值用null。必须保留原文拼写、变音符、标点与换行中的词序；managing_directors用数组，其余用字符串或null。不得从组织名参数或常识补全。文本如下：
{{$json.clean_text}}

{
  "website": "https://practice-example.de",
  "organization": "Practice Beispiel GmbH",
  "reference_id": "demo-2026-001"
}

{
  "min_clean_text_chars": 200,
  "normalize_whitespace": true,
  "case_sensitive": false,
  "require_literal_match": true,
  "drop_if_value_null": false,
  "response_keys": ["verified_company", "dropped_fields", "impressum_url", "reference_id"]
}

输入与输出示例

本站虚构演示；模型把混淆邮箱还原成info@practice-example.de但未在原文逐字命中，故列入dropped_fields；未出现的vat_id与phone保留为null键。

输入

POST{"website":"https://practice-example.de","organization":"Practice Beispiel GmbH","reference_id":"demo-2026-001"}，页面文本含“Practice Beispiel GmbH, Musterstraße 12, 10115 Berlin, Geschäftsführer: Ada Beispiel”，页脚另有混淆写法“info [at] practice-example [dot] de”，无电话与VAT号。

对应输出

{"verified_company":{"company_name":"Practice Beispiel GmbH","street":"Musterstraße 12","postal_code":"10115","city":"Berlin","managing_directors":["Ada Beispiel"],"vat_id":null,"phone":null},"dropped_fields":["email"],"impressum_url":"https://practice-example.de/impressum","reference_id":"demo-2026-001"}

做完检查这些

• 私网或畸形URL返回400且不发起外网抓取
• 找不到 imprint 时会回退尝试/impressum路径
• 模型输出非JSON或含解释文本时流程判定失败
• 任何未逐字命中的值都出现在dropped_fields而非结果里

容易卡住的地方

• JS渲染页面抓不到正文会被误判no_content
• HTML清洗丢换行可能拆散地址导致核验失败
• organization参数会诱导补全，必须只作参考
• 公网webhook无鉴权会被滥用去抓取或消耗模型额度