Förra veckan bad en kollega i vårt säljteam mig hjälpa honom att hämta kontaktuppgifter från ungefär 200 företagskatalogsidor. Hans plan? Kopiera och klistra in varje sida i ett kalkylark. Jag föreslog att han skulle prova ChatGPT för att generera ett Python-skript för skrapning i stället. Tjugo minuter senare hade han ett script. Trettio minuter senare skrev han till mig: "Det fungerade på de fem första sidorna och sedan bara… slutade."
Den upplevelsen är märkligt vanlig. ChatGPT är verkligen bra på att skriva kod för skrapning — tills den inte är det längre. Och de flesta guider på nätet stannar vid “titta, det funkar på den här testsidan”-stadiet, så fort du stöter på en riktig sida med JavaScript, antibot-skydd eller sidnumrering står du där utan hjälp. I den här guiden går jag igenom hur ChatGPT-webbskrapning faktiskt ser ut i praktiken: hela arbetsflödet, fem återanvändbara promptmallar (inte bara ett exempel), en ärlig genomgång av var det brukar fallera och vad du ska göra när det händer — inklusive kodfria alternativ som Thunderbit som hoppar över koden helt.
Vad är ChatGPT-webbskrapning?
“ChatGPT-webbskrapning” betyder att använda ChatGPT för att hjälpa dig att extrahera data från webbplatser. Men här finns en viktig skillnad som många missar: ChatGPT skrapar inte webbplatser själv. Den kan inte besöka en URL, hämta HTML eller klicka sig genom sidor. Det den kan göra är att generera koden (oftast Python) som gör det, eller tolka rå HTML som du klistrar in i chatten och sedan returnera strukturerad data.
Det finns två huvudsakliga sätt att arbeta:
- ChatGPT som kodgenerator: Du beskriver sidan och datan du vill ha, och ChatGPT skriver ett Python-skript (vanligtvis med BeautifulSoup, Selenium eller Playwright) som du kör på din egen dator.
- ChatGPT som datatolk: Du klistrar in rå HTML i chatten (eller laddar upp den via Code Interpreter), och ChatGPT extraherar fälten du behöver till JSON- eller CSV-format.
I båda fallen är det du som gör hämtningen och körningen. ChatGPT är hjärnan, inte händerna. Även med den nyare ChatGPT Atlas-webbläsaren (lanserad i oktober 2025), som kan surfa konverserande, får du svar — inte strukturerade CSV-tabeller med 500 produktrader. Det är en surfassistent, inte en datainsamlingspipeline.
Varför använda ChatGPT för webbskrapning (och vem det passar för)
ChatGPT sänker tröskeln till webbskrapning rejält. Enligt 2025 Stack Overflow Developer Survey använder eller planerar 84% av utvecklarna att använda AI-verktyg i sitt arbete, och ChatGPT leder med 82% i andel. Men målgruppen för “ChatGPT-webbskrapning” är inte bara utvecklare. Det är SDR:er som bygger prospektlistor, e-handelsansvariga som bevakar konkurrentpriser, fastighetsanalytiker som hämtar objektsdata och marknadsteam som samlar in innehåll.
Här är en snabb översikt över vanliga användningsområden och vem som tjänar på dem:
| Användningsområde | Vem gynnas | Vad du skrapar |
|---|---|---|
| Uthämtning av säljmöjligheter | SDR:er, sales ops | Namn, e-post, telefonnummer från kataloger |
| Prisbevakning av konkurrenter | E-handel, pristeam | Produktnamn, priser, tillgänglighet, SKU:er |
| Marknadsundersökning | Analytiker, grundare | Företagsinfo, recensioner, betyg, funktionslistor |
| Insamling av fastighetsdata | Mäklare, investerare | Objektpriser, adresser, antal rum/badrum, mäklarinfo |
| Innehållssamling | Marknadsförings- och SEO-team | Artikelrubriker, URL:er, publiceringsdatum, författare |
Att manuellt kopiera data från 100 sidor kan ta 3–5 timmar. Ett skript som genererats av ChatGPT kan göra samma jobb på några minuter — om det fungerar. Och just det där “om” är hela poängen med den här artikeln.
Gartner förutspår att utvecklare utanför formella IT-avdelningar kommer att stå för minst 80% av användarna av low-code-verktyg till 2026. De som söker efter “ChatGPT web scraping” är i allt högre grad icke-utvecklare som vill ha data utan att anställa en ingenjör. För dem är ChatGPT första stoppet — och verktyg som Thunderbit är det de tar till när skriptet vägrar köra.
Så fungerar ChatGPT-webbskrapning: steg för steg
Här är hela arbetsflödet, från början till slut, med en företagskatalogsida — inte en testsida.
- Svårighetsgrad: Medel (du behöver grundläggande vana vid att köra Python)
- Tidsåtgång: ~15–30 minuter för första körningen
- Det du behöver: Chrome, en Python-miljö (Python 3.10+), ChatGPT (gratisnivån räcker) och en mål-URL
Steg 1: Inspektera webbplatsen och identifiera datan du behöver
Öppna sidan du vill skrapa i Chrome. Högerklicka på ett datafält du vill ha (till exempel ett företagsnamn) och välj Inspektera. Då öppnas Chrome DevTools och det aktuella HTML-elementet markeras.
Leta efter CSS-selektorer — sådant som h2.business-name, span.phone, eller a.website-link. Ju mer specifika dina selektorer är, desto bättre blir resultatet från ChatGPT. Kopiera ett representativt HTML-utdrag (ett “kort” eller en “rad”) som du kan klistra in i prompten.
Nu bör du ha en kort lista med fältnamn (t.ex. business_name, phone, website_url) och deras motsvarande CSS-selektorer.
Steg 2: Skriv en detaljerad prompt till ChatGPT
Det är här de flesta guider går fel — de ger en vag prompt och hoppas på det bästa. En bra skrapprompt har sex delar:
- Språk och bibliotek: “Skriv ett Python 3.11-skript med BeautifulSoup 4.”
- Mål-URL: Exakta sidan som ska skrapas.
- CSS-selektorer: För varje fält, selektorn du hittade i steg 1.
- Utdataformat: CSV, JSON eller båda.
- Särskilda instruktioner: Kodning, felhantering, fördröjningar.
- HTML-utdrag: Klistra in 20–40 rader av den faktiska sidans HTML så att ChatGPT ser strukturen.
Här är ett exempel på en prompt (med kommentarer):
Du är en senior Pythoningenjör. Skriv en webbskrapare med Python 3.11 och BeautifulSoup 4.
Mål-URL: https://example.com/businesses
Mål: Extrahera varje företagskort på sidan och returnera en rad per företag.
Fält som behövs (CSS-selektorer inom parentes):
- business_name (h2.biz-name)
- phone (span.phone-number)
- website_url (a.biz-link, href)
- rating (div.stars[data-rating])
Utdata: spara till businesses.csv med UTF-8-kodning och en rubrikrad.
Krav:
- Använd requests med en realistisk User-Agent-header
- Hantera saknade fält smidigt (None, inte krascha)
- Skriv ut antalet extraherade företag i slutet
- Lägg till en fördröjning på 1 sekund mellan anrop om du loopar
Här är ett representativt HTML-utdrag från sidan (ett företagskort):
<PASTE 20-40 LINES OF THE ACTUAL HTML HERE>
Tips: Att inkludera HTML-utdraget är den enskilt största förbättringen för träffsäkerheten. ChatGPT kan inte besöka URL:en, så utdraget är dess enda verklighetsgrund.
Steg 3: Granska och testa den genererade koden
Kör inte bara ChatGPT:s kod rakt av. Läs igenom den först. Håll utkik efter:
- Uppfunna selektorer: ChatGPT hittar ibland på CSS-klasser som inte finns på sidan.
- Saknade bibliotek: Se till att
pip install requests beautifulsoup4(ellerplaywright, osv.) finns med. - Hårdkodade värden: Kontrollera att URL, fältnamn och sökvägar stämmer.
Skapa en virtuell Python-miljö, installera beroenden och kör skriptet på ett litet urval (en eller två sidor). Kontrollera CSV-filen — fylls kolumnerna? Finns det tomma celler där du väntade dig data?
Steg 4: Förfina med följdfrågor
ChatGPT är som starkast när du itererar. Om det första skriptet bara tar sida 1, fråga:
“Skriptet skrapar bara den första sidan. Kan du lägga till sidnumrering så att alla sidor hämtas? Sajten använder ?page=1, ?page=2 osv. Avsluta när en sida returnerar noll resultat eller efter 50 sidor.”
Om fält saknas kan du be ChatGPT lägga till regex-fallbacks för e-post eller telefonnummer. Om sajten är tungt JS-baserad, be om en Playwright-version. Varje följdfråga bygger vidare på den föregående koden — tänk pair programming med en väldigt snabb (men ibland lite väl självsäker) partner.
5 färdiga ChatGPT-promptmallar för webbskrapning
Jag har inte hittat någon annan guide som erbjuder detta. Jag har skrivit, testat och förfinat fem promptmallar organiserade efter scenario. Kopiera dem, byt ut URL och HTML-utdrag, så kommer ChatGPT att ge dig fungerande kod på första försöket — eller väldigt nära.
Mall 1: Skrapning av listningssida (produktkataloger, kataloger)
När du ska använda den: Du är på en sida med många objekt (produkter, företag, jobbannonser) och vill ha en rad per objekt.
Du är en senior Pythoningenjör. Skriv en webbskrapare med Python 3.11 och BeautifulSoup 4.
Mål-URL: [DIN URL]
Mål: Extrahera varje objektkort på sidan och returnera en rad per objekt.
Fält som behövs (CSS-selektorer inom parentes — hämtade via Inspektera):
- [field_1] ([selector_1])
- [field_2] ([selector_2])
- [field_3] ([selector_3])
- [field_4] ([selector_4, attribut vid behov])
Utdata: spara till items.csv med UTF-8-kodning och en rubrikrad.
Krav:
- Använd requests med en realistisk User-Agent-header
- Hantera saknade fält smidigt (None, inte krascha)
- Skriv ut antalet extraherade objekt i slutet
- Lägg till en fördröjning på 1 sekund mellan anrop om du loopar
Här är ett representativt HTML-utdrag från sidan (ett objektkort):
[PASTE 20-40 LINES OF THE ACTUAL HTML HERE]
Förväntat resultat: En CSV-fil med en rad per objekt och kolumner som matchar dina fältnamn.
Mall 2: Skrapning av detaljsida/undersida (enskild produkt eller profil)
När du ska använda den: Du har en enskild sida med mycket detaljer (en produktsida, en persons profil, ett fastighetsobjekt) och vill extrahera allt till en strukturerad post.
Skriv en Python-funktion `scrape_detail(url)` som tar en URL till en detaljsida och returnerar en dict med dessa nycklar:
- [field_1]
- [field_2]
- [field_3]
- [field_4]
- [field_5]
Använd BeautifulSoup. Hantera saknade fält på ett smidigt sätt (returnera None för dem).
Lägg till regex-fallbacks för e-post och telefon — alla sidor använder inte konsekventa taggar.
Returnera dict:en och lägg också till den som en rad i details.csv (skapa filen med rubriker vid första anropet).
Referensutdrag från en verklig detaljsida:
[PASTE 40-60 LINES OF ONE DETAIL PAGE HTML]
Förväntat resultat: En dict per sida och en växande CSV-fil med en rad per detaljsida.
Mall 3: Skrapning av dynamisk/JS-renderad sida (Playwright)
När du ska använda den: Sidan laddar innehåll via JavaScript (React, Angular osv.) — du ser ett tomt <div id="root"> i HTML-källan.
Skriv en Python-webbskrapare med Playwright (sync API) för en JavaScript-renderad sida.
Mål-URL: [DIN URL]
Mål: extrahera alla resultkort som visas efter att sidan har laddats dynamiskt.
Krav:
- Använd `page.wait_for_selector('[YOUR CARD SELECTOR]', timeout=15000)` för att vänta in innehållet
- Scrolla till botten av sidan två gånger med en paus på 1 sekund mellan varje scroll för att trigga lazy-loaded resultat
- För varje kort extrahera: [field_1], [field_2], [field_3], [field_4]
- Spara till results.json som en lista av dict:er, UTF-8
- Kör headless=False först (så att jag kan följa med) och lägg till en paus på 2 sekunder i slutet innan du stänger
Använd inte requests eller BeautifulSoup — endast Playwright.
Förväntat resultat: En JSON-fil med ett objekt per resultkort, där alla fält är ifyllda.
Mall 4: Hantering av sidnumrering (skrapning av flera sidor)
När du ska använda den: Du har redan en fungerande skrapare för en sida och behöver loopa igenom alla sidor.
Ta den befintliga BeautifulSoup-skraparen nedan och bygg in den i en sidnumreringsloop som hämtar ALLA sidor, inte bara sida 1.
Sajten använder URL-parametrar för paginering: ?page=1, ?page=2 osv.
Stoppvillkor: när den aktuella sidan ger noll objekt, ELLER när svarskoden inte är 200, ELLER när du når sida 100 (säkerhetsgräns).
Lägg till:
- En artig fördröjning på 1,5 sekunder mellan sidförfrågningar
- Ett try/except runt varje anrop som loggar felet och fortsätter
- En statusutskrift var 5:e sida: "Sida 15 → 300 objekt hittills"
- Slutlig sparning till items_all.csv
Befintlig skrapare:
[PASTE YOUR CURRENT SINGLE-PAGE SCRAPER HERE]
Förväntat resultat: En enda CSV med alla objekt från alla sidor, plus konsolutskrifter som visar progressionen.
Mall 5: Datarensning och strukturering (metoden “klistra in HTML”)
När du ska använda den: Du har redan rå HTML (från curl, från webbläsaren eller från en fil) och vill att ChatGPT ska tolka den till ren strukturerad data — ingen kod behövs.
Jag kommer att klistra in rå HTML från en produktsida. Du behöver inte skriva kod — returnera bara den extraherade datan som ett JSON-objekt som matchar detta schema:
{
"name": string,
"brand": string,
"price": number,
"currency": string (ISO 4217),
"availability": "in_stock" | "out_of_stock" | "preorder" | "unknown",
"rating": number (0-5) or null,
"review_count": integer or null,
"description": string (max 500 chars),
"key_specs": [{"name": string, "value": string}]
}
Använd null för allt du verkligen inte kan hitta — hitta inte på något.
Returnera ENDAST JSON-objektet, ingen brödtext, ingen markdown-fence.
HTML:
[PASTE THE FULL PAGE HTML HERE]
Förväntat resultat: Ett enskilt JSON-objekt, redo att läggas in i ett kalkylark eller en databas.
Var ChatGPT-webbskrapning går sönder (ärliga begränsningar)
De flesta guider hoppar helt över den här delen. Jag har lagt tillräckligt mycket tid på att felsöka ChatGPT-genererade skrapare för att veta exakt var de går sönder — och 2025 Stack Overflow-undersökningen bekräftar att bara 3% av utvecklarna “har mycket högt förtroende” för AI-output. Här är varför.
JavaScript-tunga och dynamiska webbplatser
Över 98,8% av webbplatser använder JavaScript för funktionalitet på klientsidan. React ensamt körs nu på 7,2% av alla webbplatser — en ~67% ökning på bara ett år. När du ber ChatGPT att “skrapa den här sidan” blir standardsvaret ofta ett requests + BeautifulSoup-skript. Det skriptet hämtar rå HTML — och på en React- eller Angular-sajt är den råa HTML:en bara ett tomt <div id="root">. Den riktiga datan laddas först efter att JavaScript körts, vilket requests aldrig gör.
ChatGPT kan generera Selenium- eller Playwright-kod om du ber om det, men de skripten är långsammare (Playwright ligger i snitt på 2,9 sekunder per sidladdning jämfört med under en sekund för statiska requests) och behöver ofta felsökning för väntelogik, scroll-triggers och elementselektorer som ChatGPT gissar fel på.
Antibot-skydd och CAPTCHA
Cloudflare skyddar ungefär 20% av alla webbplatser, och tjänster som DataDome säger sig nå 99,9% träffsäkerhet i botdetektering. En vanlig requests.get() med en Python-user-agent är, rakt sagt, ett klassiskt bot-avtryck. ChatGPT-genererade skript inkluderar ingen proxyrotation, ingen TLS-fingeravtrycksspoofing, ingen cookie-hantering och ingen CAPTCHA-lösning. På vilken kommersiell sida som helst med ens grundläggande skydd stoppas skriptet redan vid första anropet.
Sidnumrering och skrapning i stor skala
ChatGPT:s standardloop för sidnumrering itererar ?page=N eller klickar på en .next-knapp. Riktiga sajter använder cursor-baserad paginering, oändlig scroll med IntersectionObserver eller GraphQL-anrop. ChatGPT kan inte generera korrekt kod för sådant om du inte visar exakt nätverksanrop — och även då är looparna sköra. Oxylabs’ guide om ChatGPT-webbskrapning och Decodos tutorial från 2026 pekar båda ut sidnumrering som det vanligaste stället där deras exempel behöver en andra eller tredje prompt.
Löpande och schemalagd skrapning
ChatGPT ger dig ett engångsskript. Det finns ingen scheduler, ingen förändringsdetektering, inga aviseringar. Om du vill “kolla konkurrentpriser varje morgon” måste du lära dig cron, Airflow eller Lambda — inget av detta täcks i ChatGPT:s första svar. För verksamheter som behöver återkommande data är detta en återvändsgränd.
Hastighet och kostnad
För JS-tunga sajter hamnar verkliga per-sid-tider med Selenium eller Playwright på 3–10 sekunder per sida under idealförhållanden, och 40–60 sekunder per sida med retries och antibot-väntan — en frustration som ofta rapporteras i forum och guider.
Om du använder ChatGPT API för att tolka HTML (metoden “klistra in HTML” i stor skala) springer tokenkostnaderna iväg snabbt. Med dagens GPT-4o-prissättning (~$2,50 per miljon input-tokens, $10 per miljon output-tokens) kostar analys av 1 000 produktsidor ungefär $95–$105 bara i tokens. Med GPT-4o mini hamnar det på ungefär $6,50 för samma volym. Lägg till proxykostnader ($3–10/GB), underhåll av lokal crawler och utvecklarens tid, och “använd bara ChatGPT” börjar se dyrt ut.
| Skala | GPT-4o tokenkostnad (est.) | GPT-4o Mini tokenkostnad (est.) |
|---|---|---|
| 100 sidor | ~$9,55 | ~$0,65 |
| 1 000 sidor | ~$95,50 | ~$6,50 |
| 10 000 sidor | ~$955 | ~$65 |
Beräkningarna utgår från ungefär 50K input-tokens och 2K output-tokens per sida. Faktiska kostnader varierar beroende på sidstorlek och utdata-komplexitet.
ChatGPT-webbskrapning vs. AI-skrapare utan kod vs. egen kod: beslutsramverk
Inte varje skrapjobb behöver samma verktyg. Det här är beslutsramverket jag har använt på Thunderbit efter att ha testat alla tre alternativen i riktiga projekt.
| Scenario | ChatGPT + Python | Kodfri AI-skrapare (t.ex. Thunderbit) | Egen kod + proxies |
|---|---|---|---|
| Enkla statiska sidor | ✅ Bra — snabbt att generera | ✅ Fungerar, men kan vara överkurs | ⚠️ Överbyggt |
| JS-renderat / dynamiskt innehåll | ⚠️ Kräver Selenium/Playwright — koden går ofta sönder | ✅ Hanterar via webbläsare/molnskrapning | ✅ Full kontroll |
| Sajter med antibot/CAPTCHA | ❌ ChatGPT kan inte lösa CAPTCHA | ✅ Molninfrastrukturen hanterar mycket | ✅ Med proxyrotation |
| Sidnumrering (100+ sidor) | ⚠️ Sköra loopar, kräver felsökning | ✅ Inbyggt stöd för sidnumrering | ✅ Robust med rätt ingenjörsarbete |
| Icke-teknisk användare | ❌ Kräver Python-kunskap | ✅ 2 klick, ingen kod | ❌ Kräver utveckling |
| Löpande/schemalagd skrapning | ❌ Manuell omkörning | ✅ Schemalagd skrapningsfunktion | ✅ Med cron/orchestration |
| Export till Sheets/Airtable/Notion | ⚠️ Extra kod krävs | ✅ Inbyggd export med ett klick | ⚠️ Extra integrationskod |
Kort sagt: använd ChatGPT för snabba engångsskript och för att lära dig. Använd ett kodfritt verktyg som Thunderbit för produktionskvalitet, återkommande eller icke-teknisk skrapning. Använd egen kod + proxies för ingenjörsprojekt i enterprise-skala där du behöver full kontroll.
Kodfritt alternativ: hur Thunderbit hanterar webbskrapning utan kod
För läsare som inte kodar — eller som har bränt nog med kvällar på att felsöka ChatGPT-skript — finns ett helt annat spår. ChatGPT genererar koden. Thunderbit hoppar över den.
Jag jobbar i Thunderbit-teamet, så jag säger det öppet. Men jag tycker också genuint att det här är den snabbaste vägen för de flesta affärsanvändare. Så här ser arbetsflödet ut.
AI-föreslå fält: identifiera datastrukturen automatiskt på vilken sida som helst
Öppna valfri webbsida, klicka på Thunderbit Chrome-tillägget och tryck på “AI Suggest Fields”. Thunderbits AI läser den renderade sidan — inklusive innehåll som laddats via JS — och föreslår kolumnnamn och datatyper. Ingen Inspektera, inga CSS-selektorer, ingen promptkonst. Klicka sedan på “Scrape”.
Jämför det med ChatGPT-ansatsen: öppna DevTools, hitta selektorer, skriv en prompt, granska koden, installera beroenden, kör skriptet, kontrollera resultatet, iterera. Thunderbit komprimerar allt detta till två klick.
Skrapning av undersidor för att automatiskt berika listningar
Efter att du skrapat en listningssida klickar du på “Scrape Subpages”. Thunderbit besöker varje rads detaljsida och lägger till extra fält — som e-post, telefon eller bio — i din befintliga tabell. Med ChatGPT skulle du behöva ett separat skript, en loop, felhantering för varje undersida och ett sätt att slå ihop datan. Thunderbit gör allt i ett steg.
Exportera överallt: Google Sheets, Airtable, Notion, Excel
Thunderbit erbjuder gratis export med ett klick till Google Sheets, Airtable, Notion och Excel — inte bara CSV. Ett ChatGPT-genererat skript skriver oftast till en lokal CSV- eller JSON-fil. För att skicka data till Sheets eller Airtable krävs extra bibliotek och autentiseringskod.
Molnskrapning vs. webbläsarskrapning
Thunderbit har två lägen. Molnskrapning körs på Thunderbits servrar, hanterar ungefär 50 sidor per batch och är snabbt för publika sajter. Webbläsarskrapning använder din inloggade session för skyddade eller inloggningskrävande sidor. Med ChatGPT måste du konfigurera proxies, cookies och sessionshantering i kod — var och en ett eget felsökningsprojekt.
Under huven använder Thunderbit flera AI-modeller (inklusive ChatGPT, Gemini, Claude och andra) för att visuellt läsa sidor och avgöra vad som ska extraheras. Så på ett sätt använder Thunderbit redan ChatGPT — plus tre andra ledande modeller — och sköter hämtning, rendering, antibot, sidnumrering och export åt dig.
Verkliga användningsfall: sälj, e-handel och fastigheter
De flesta guider om ChatGPT-skrapning använder “Books to Scrape” eller någon annan testsida. Här är hur riktig verksamhetsskrapning ser ut — med både ChatGPT-metoden och Thunderbit-genvägen.
Hämta säljer leads från företagskataloger
Scenario: Du behöver namn, e-post och telefonnummer från en företagskatalog för utgående försäljning.
ChatGPT-metoden: Använd Mall 1 (listningssida) för att skrapa katalogen, och Mall 2 (detaljsida) för att besöka varje profil och hämta kontaktinfo. Du behöver regex-fallbacks för e-post och telefon, en artig fördröjning och en dedupliceringsrutin. Räkna med 30–60 minuter för uppsättning och felsökning.
Thunderbit-metoden: Öppna katalogen, klicka på “AI Suggest Fields”, skrapa listningen och klicka sedan på “Scrape Subpages” för att hämta kontaktuppgifter från varje profil. Exportera till ditt CRM-klara kalkylark. Total tid: ungefär 3 minuter. Thunderbits inbyggda e-post- och telefonextraherare sköter tolkningen automatiskt.
Prisbevakning för konkurrenter inom e-handel
Scenario: Du vill följa konkurrenters produktpriser, tillgänglighet och SKU:er varje vecka.
ChatGPT-metoden: Generera en skrapare med Mall 1, lägg till sidnumrering med Mall 4 och kör den manuellt varje vecka. Om konkurrenten ändrar sidlayouten går selektorerna sönder och du får börja om.
Thunderbit-metoden: Sätt upp en skrapare en gång, använd Thunderbits schemalagda molnskrapning för att köra den dagligen eller veckovis, och exportera till Google Sheets. AI:n läser om sidstrukturen varje körning, så layoutändringar förstör inget. Mer om detta finns i vår guide till prisskrapning.
Insamling av fastighetsobjekt
Scenario: Du behöver objektpriser, adresser, antal rum/badrum och mäklarinfo från en objektsajt.
ChatGPT-metoden: De flesta fastighetssajter (Zillow-liknande) är React-SPA:er med aggressivt antibot-skydd. Ett requests + BeautifulSoup-skript returnerar en tom sida. En Playwright-version blir rate-limited inom några minuter.
Thunderbit-metoden: Molnskrapning med AI-driven fältdetektion hanterar JS-renderingen och anpassar sig till layoutändringar. Fastighetsportaler gör ofta redesigns — Thunderbits AI läser sidan på nytt varje gång, så du behöver inte uppdatera selektorer. Se vår guide till webbskrapning för fastigheter för en genomgång.
Mer än engångsskrapning: ChatGPT API-pipelines vs. Thunderbit Extract API
Om du bygger in skrapning i en produkt eller pipeline skiftar frågan: ChatGPT API för att tolka HTML, eller ett API som är byggt för skrapning?
Använda ChatGPT API för att tolka HTML
Upplägget: använd en lokal crawler (requests, Playwright) för att hämta HTML och skicka sedan den till OpenAI:s API för att extrahera strukturerad JSON. Det här är “klistra in HTML”-tricket i stor skala.
Det fungerar. Men kostnader och underhåll är verkliga. Med GPT-4o-prissättning kostar 1 000 sidor ungefär $95 i tokens. Du hanterar crawlern, proxyna, promptingenjörskapet och schemastrukturen. När sajten ändras går prompten sönder och du måste justera igen.
Thunderbit Extract API: byggt för strukturerad webdata
Thunderbits Open API erbjuder en annan modell. Du definierar ett JSON Schema, skickar en POST med en URL och får tillbaka strukturerad data. JS-rendering och antibot-hantering är inbyggda. Batchbearbetning stöder upp till 100 URL:er per begäran.
| Funktion | ChatGPT API + egen kod | Thunderbit Extract API |
|---|---|---|
| Strukturerad utdata | Manuellt schema i prompt | JSON Schema-definierat |
| JS-rendering | Du hanterar det (Playwright osv.) | Inbyggt (flera renderingslägen) |
| Antibot/CAPTCHA | Du hanterar det (proxies osv.) | Hanteras automatiskt |
| Batchbearbetning | Du bygger loopen | Batch-endpoint (upp till 100 URL:er) |
| Underhåll | Prompter går sönder, kod föråldras | Hanterad AI-motor |
För team som vill ha strukturerad webdata som en tjänst utan att underhålla en skrappipeline är Thunderbits API den kortare vägen till produktion. Se Thunderbits prissättning för kreditkostnader per extraktion.
Tips för bättre resultat med ChatGPT-webbskrapning
Några saker jag lärt mig den hårda vägen.
Var specifik i dina prompts. Inkludera alltid: programspråk, bibliotek, mål-URL, CSS-selektorer, utdataformat och instruktioner för kantfall. Otydliga prompts ger otydlig kod.
Klistra in HTML-utdrag, inte bara URL:er. ChatGPT kan inte besöka URL:er. HTML-utdraget är dess enda sanningskälla för sidstrukturen. Att klistra in ens 20–40 rader från ett enda datakort förbättrar träffsäkerheten rejält.
Be ChatGPT att kontrollera och optimera koden. Efter att ett skript genererats, fråga: “Granska den här koden efter fel, lägg till felhantering och optimera för prestanda.” Den hittar förvånansvärt ofta sina egna misstag vid en andra genomgång.
Testa alltid på ett litet urval först. Kör skriptet på 1–2 sidor innan du skalar upp. Att upptäcka en trasig selektor på sida 1 räddar dig från att märka det efter 500 misslyckade anrop.
Iterera, börja inte om. Om det första skriptet är rätt till 80%, klistra in resultatet och be ChatGPT fixa de sista 20%. Det är i den iterativa dialogen som ChatGPT är som starkast.
Etiska och juridiska överväganden för ChatGPT-webbskrapning
Den juridiska delen spelar roll, så här är den korta versionen.
Enligt nuvarande amerikansk rättspraxis är skrapning av offentligt tillgänglig data inte ett federalt datorsbrott. hiQ v. LinkedIn-avgörandet slog fast det, och Meta v. Bright Data-domen (januari 2024) förstärkte det — en domare ansåg att skrapning av offentlig, utloggad data från Facebook och Instagram inte bröt mot Metas användarvillkor, eftersom en besökare utan konto inte är en “användare” som binds av dem.
Med det sagt kan skrapning av låst eller autentiserad data, eller brott mot en sajts användarvillkor efter att du godkänt dem, fortfarande innebära juridisk risk. Och när du skrapar personuppgifter (e-post, telefonnummer) gäller EU:s och Kaliforniens dataskyddslagar (GDPR, CCPA) oavsett var datan kommer ifrån.
Kontrollera alltid robots.txt och användarvillkor innan du skrapar. Respektera rate limits. Hantera personuppgifter ansvarsfullt. Och använd verktyg med inbyggda efterlevnadsfunktioner — Thunderbit respekterar till exempel robots.txt och erbjuder ansvarsfulla arbetssätt som standard. För en djupare genomgång, se vår juridiska guide till webbskrapning.
När ska du använda ChatGPT för webbskrapning — och när bör du välja något bättre?
ChatGPT är ett verkligt kraftfullt verktyg för webbskrapning — det genererar snabba prototyper och hjälper dig att förstå hur skrapning fungerar under huven. För snabba engångsskript på enkla statiska sidor är det svårt att slå.
Men för produktionskvalitet, löpande eller storskalig skrapning — särskilt om du inte är utvecklare — är ett specialbyggt verktyg som Thunderbit snabbare, mer tillförlitligt och kräver inget underhåll. Och för ingenjörsprojekt i enterprise-skala ger egen kod med proxyinfrastruktur full kontroll.
Min snabba tumregel:
- Snabbt engångsjobb, lärande eller prototyp: ChatGPT + Python
- Affärsanvändare, ingen kod, återkommande skrapningar: Thunderbit Chrome Extension
- Utvecklarpipelines, strukturerad API-åtkomst: Thunderbit API
- Enterprise-skala, full kontroll: Egen kod + proxies + orchestration
Om du vill prova det kodfria spåret erbjuder Thunderbit en gratisnivå så att du kan testa i liten skala och se resultaten själv. Och om du vill se verktyget i praktiken har vår YouTube-kanal genomgångar för olika användningsfall.
Prova Thunderbit för AI-webbskrapning Get Started Free
Vanliga frågor
Kan ChatGPT faktiskt skrapa webbplatser på egen hand?
Nej. ChatGPT genererar skrapkod eller tolkar HTML som du tillhandahåller, men den besöker inte URL:er, hämtar inte sidor och kör inte skript. Inte ens ChatGPT Atlas (den inbyggda webbläsaren som lanserades i oktober 2025) är en konversationsassistent för surf — den kan sammanfatta en sida, men den ger dig inte en strukturerad CSV med 500 rader.
Är ChatGPT-webbskrapning gratis?
Gratisnivån i ChatGPT kan generera skrapkod utan kostnad. Men att köra koden kräver Python och bibliotek (gratis), och om du använder OpenAI API för att tolka HTML i stor skala betalar du tokenkostnader — ungefär $6,50 per 1 000 sidor med GPT-4o mini, eller cirka $95 med GPT-4o. Proxies och infrastruktur tillkommer.
Vilket är det bästa Python-biblioteket för webbskrapare som genererats av ChatGPT?
För statiska HTML-sidor är BeautifulSoup tillsammans med requests det enklaste och snabbaste valet. För JavaScript-renderade sidor är Playwright det moderna alternativet — det är snabbare än Selenium (i snitt cirka 2,9 sekunder per sidladdning jämfört med 4,8 sekunder) och har ett renare API. Selenium är främst användbart för äldre projekt.
Kan jag använda ChatGPT för att skrapa data utan att koda?
Inte direkt. ChatGPT genererar kod som du fortfarande måste köra. Om du vill ha ett verkligt kodfritt alternativ låter verktyg som Thunderbit dig skrapa i två klick — ingen Python, ingen terminal, ingen felsökning. Du får AI-föreslagna fält, export med ett klick till Google Sheets eller Airtable, och inbyggd hantering av JS-rendering och antibot-skydd.
Är det lagligt att skrapa webbplatser med kod som genererats av ChatGPT?
Skrapning av offentligt tillgänglig, utloggad data är i regel laglig enligt nuvarande amerikansk praxis (hiQ v. LinkedIn, Meta v. Bright Data). Men skrapning av låst innehåll, brott mot en sajts användarvillkor eller felaktig hantering av personuppgifter (e-post, telefonnummer) kan innebära juridisk risk enligt avtalsrätt eller integritetslagar som GDPR och CCPA. Kontrollera alltid robots.txt och sajtens användarvillkor innan du skrapar.
Läs mer
