Перехоплення та аналіз веб-контенту з LLM в C#
📌 Nota: Ця стаття навчає фундаментальних принципів видобутку веб-контенту за допомогою LLMs, використовуючи найпростіший спосіб. DocSummarizer
- це реалізує архітектуру, яка показана тут, але виробництво - ступінь M SK2 вбудова БЕРТ МSK3 гібридні пошуки , Playwright для SPAs MSC5 захист від СМСР MST6 оцінені цитати МST7 і адекватне стеження за покрытием МСТ8
Коли ви запитуєте ChatGPT " прочитати цю статтю і підсумувати її ," що насправді відбувається МSK2 Якщо ви уявите, що штучний інтелект відкриває браузер і читає так, якби ви це робили,
ЛЛМ не переглядають веб-сторінки. Вони пояснюють фрагменти коду, який вибрали
Ця стаття показує, як це зробити в C# з Ольламою - без фреймворківM SK2 лише практичний код, який ви можете розв 'язати
TL;DR: Ваш код забирає МSK1 очищає \→ фрагменти МSK3 вибирає . LLM бачить лише фрагменти, які ви вводите мSK5 Вибір є згубним з точки зору дизайну M- що МСК7 відповідає як за обмеження, так і за архітектуру
Те, що робить це дієвим
Ось така думка, яка змінює те, як ви будуєте ці системи.
Вибір - це рішення про продукт.
LLM є зворотнім потоком вашого вибору. Він не може відновити інформацію, яку ви не бачили ' не показувати її MSC2 Коли агент M SK3 не в змозі знайти відповідь ," проблема майже ніколи не є моделью M SK5 це MSL6 ваша логіка вибору вибрала неправильні шматочки МSK7 МSK8 Це той самий принцип, що стоїть за чому я уникав таких рамок, як LangChain - вони відокремлюють логіку вибору, яку вам потрібно розв 'язати
Ось чому: "агент переглядає сайти " мовчазно не справляється . Агент впевнено відповідає, спираючись на те, що він бачив МSK3 Ви ніколи не знаєте, що пропустив правильний зміст
flowchart LR
URL[Full Page] --> Select[Your Selection]
Select --> LLM[LLM Sees This]
LLM --> Answer[Answer]
URL -.->|"50KB"| Select
Select -.->|"2KB"| LLM
Miss[Missed Content] -.->|"Never seen"| X[❌]
style Select stroke:#e74c3c,stroke-width:3px
style Miss stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
Модель може пояснити тільки те, що ви їй дали.
Задачі дизайну перед кодом
Перед тим, як щось написати – це обмеження.
| Обмеження МSK1 Чому це важливо МSK2 | |
|---|---|
| Немає рендеринга JS | Тільки статичний HTML (Playwright для SPAsM SK2 МSK3 |
| Обмежені символи | Складний бюджет за запит МSK1К символів типичніM SK2 МSK3 |
| Źródło-погані відповіді | ЛЛМ не має галюцинувати знання про веб МSK1 |
| Детерміністичне відбору | Один і той самий вхід → один і той же шматок |
| Дослідження | Зареєструйте те, що ви обрали , чому M SK2 і що ви відкинули |
Якщо ви можете't пояснити, чому був відібраний кусочок
Трубопровод
flowchart TB
URL[URL] --> Fetch[1. Fetch]
Fetch --> Clean[2. Clean]
Clean --> Chunk[3. Chunk]
Chunk --> Select[4. Select]
Select --> LLM[LLM]
LLM --> Answer[Answer]
Fetch -.->|"57KB HTML"| Clean
Clean -.->|"6KB text"| Chunk
Chunk -.->|"5 chunks"| Select
Select -.->|"2 chunks"| LLM
style Select stroke:#e74c3c,stroke-width:3px
style Clean stroke:#f39c12,stroke-width:3px
Кожен крок зменшує дані. До того часу, як LLM побачить цеMSC1 виM SK2 перейшли від 57KB HTML до можливо 2KB релевантного текстуMST5 Кожне скорочення є втраченимМSK6 Кожна скорочення може відкинути відповідьMSL7 Це той самий шаблон, який я використовую для аналіз великих файлів CSV - причини LLM , ваш код обчислює і вибирає МSK2
Кілька прикладів
Впродовж цієї статті ми використовуватимемо один URL
https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview
А ще три питання, пов 'язані з зростанням спеціалізації:
- " Що нового в МSK2NET МSK3
- " Які покращення рівня продуктивності були згадані
- " Чи є щось на кшталт AOT ?"
Це зберігає приклади на основі і показує, як вибір має більше значення, коли питання стають конкретними.
Налагодження
# Install Ollama from https://ollama.ai
ollama pull llama3.2:3b
# NuGet packages
dotnet add package AngleSharp # HTML parsing
dotnet add package OllamaSharp # Ollama client (5.1.x)
OllamaSharp нота: В версії 5.xM SK2
GenerateAsyncповертаєтьсяIAsyncEnumerable<GenerateResponseStream?>- він поштовхує टोकони так, як вони згенеровані 'await foreach. Зразок проектних шпиль
Шаг 1: Перейти
Стандарт HTTP, але з деталями, які мають значення
public class WebFetcher : IDisposable
{
private readonly HttpClient _http;
public WebFetcher()
{
var handler = new HttpClientHandler
{
AllowAutoRedirect = true,
MaxAutomaticRedirections = 5, // Cap redirects
AutomaticDecompression = DecompressionMethods.All
};
_http = new HttpClient(handler) { Timeout = TimeSpan.FromSeconds(30) };
_http.DefaultRequestHeaders.Add("User-Agent",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36");
}
public async Task<string> FetchAsync(string url)
{
var response = await _http.GetAsync(url);
// Bail if not HTML
var contentType = response.Content.Headers.ContentType?.MediaType ?? "";
if (!contentType.Contains("html") && !contentType.Contains("text"))
throw new InvalidOperationException($"Not HTML: {contentType}");
response.EnsureSuccessStatusCode();
return await response.Content.ReadAsStringAsync();
}
public void Dispose() => _http.Dispose();
}
Що це обробляє: Перенаправляє МSK1 загортаєтьсяM SK2 стискається МSK3 закінчується часом , Пользователь
Що він не робить: Java-рендерінг , аутентифікація МSK2 обмеження швидкості M SK3 роботи MSC4 txt . Для виробництва MST6 додавати за MСК7 відхилення від домашнєї мережі та ievēroти правила клізації МСК8
Шаг 2: Чисти
Raw HTML - це, в основному, шум. Чисти його або ви витрачаєте टोकони на макет.
Типова сторінка:
57KB HTML → 6KB useful text (90% reduction)
Стратегія
flowchart LR
HTML[Raw HTML] --> Remove[Remove Noise]
Remove --> Find[Find Main Content]
Find --> Extract[Extract Text + Headings]
Extract --> Normalize[Normalize]
Remove -.->|"script, style, nav, ads"| Find
Find -.->|"main, article, .content"| Extract
style Remove stroke:#e74c3c,stroke-width:3px
style Find stroke:#f39c12,stroke-width:3px
Чиття є нестабільним - Рука з обережністю
Ваш прибиральник може повністю видалити відповідь. Поширені помилкиM SK1
- Агресивні відбірники видаляють легітимний контент
- Головний зміст має незвичайні класи (
.article-body,.post-text) - Відповідь знаходиться в панелі збоку або в коробці для викликів
Ослаблення:
- Залишити заголовки явно (
h1-h6) - Позбутись роль і відома котлована, не широких моделей
- Запис: шлях виділеного елементу МSK1 довжина тексту
- Fallback: якщо головний контент підозрювано короткийM SK1 спробувати тіло
public class HtmlCleaner
{
private readonly HtmlParser _parser = new();
// Known noise - remove these entirely
private static readonly string[] NoiseElements =
{ "script", "style", "nav", "footer", "aside", "iframe", "noscript" };
// Boilerplate patterns - remove by role, not aggressive wildcards
private static readonly string[] NoiseSelectors =
{
"[role='navigation']", "[role='banner']", "[role='complementary']",
"[class*='cookie']", "[class*='newsletter']", "[aria-hidden='true']"
};
// Where to find content - order matters (most specific first)
private static readonly string[] ContentSelectors =
{ "main", "article", "[role='main']", ".content", ".post-content" };
public CleanResult Clean(string html)
{
var doc = _parser.ParseDocument(html);
// Remove noise
foreach (var tag in NoiseElements)
foreach (var el in doc.QuerySelectorAll(tag).ToList())
el.Remove();
foreach (var selector in NoiseSelectors)
foreach (var el in doc.QuerySelectorAll(selector).ToList())
el.Remove();
// Find main content
IElement? main = null;
string? matchedSelector = null;
foreach (var selector in ContentSelectors)
{
main = doc.QuerySelector(selector);
if (main != null) { matchedSelector = selector; break; }
}
// Fallback to body if main content is suspiciously short
var text = main?.TextContent ?? "";
if (text.Length < 500 && doc.Body != null)
{
main = doc.Body;
matchedSelector = "body (fallback)";
text = main.TextContent;
}
return new CleanResult
{
Text = NormalizeWhitespace(text),
MatchedSelector = matchedSelector ?? "none",
OriginalLength = html.Length
};
}
private string NormalizeWhitespace(string text)
{
text = Regex.Replace(text, @"[ \t]+", " ");
text = Regex.Replace(text, @"\n\s*\n+", "\n\n");
return text.Trim();
}
}
public record CleanResult(string Text, string MatchedSelector, int OriginalLength);
Видобуток з читабельності ( відлікання абзацівM SK1 щільність тексту ) - це ціла кроликова діра МSK3 На даний момент МСК4 вибірник М СК5 базові види видобутку для документації та блогів M СК6 Проект зразка включає в себе екстрактор відліку, якщо вам це потрібно
Шаг 3:
У вас є 6KB чистого текстуM SK1 Чому б не надіслати все?
- needle in haystack: LLM perform worse when relevant info is buried in large context
- Ціна: Більше टोकенів = більше грошей та затримки
- Концентрація: Вибрані фрагменти дають кращий аргумент, ніж будь-що одночасно
Strategiя збудування має більше значення, ніж ви думаєте. Статья про архітектуру РАГ - ті ж принципи apply whether you 're chunking web pages or documentsM SK2
Наївне речення
Це вихідний пункт, не код виробництваM SK1
public List<string> ChunkBySentence(string text, int maxTokens = 2000)
{
var chunks = new List<string>();
// WARNING: This breaks on abbreviations, decimals, URLs, code samples
var sentences = text.Split(new[] { ". ", ".\n", "! ", "? " },
StringSplitOptions.RemoveEmptyEntries);
var current = new StringBuilder();
var tokens = 0;
foreach (var sentence in sentences)
{
var sentenceTokens = EstimateTokens(sentence);
if (tokens + sentenceTokens > maxTokens && current.Length > 0)
{
chunks.Add(current.ToString().Trim());
current.Clear();
tokens = 0;
}
current.Append(sentence).Append(". ");
tokens += sentenceTokens;
}
if (current.Length > 0)
chunks.Add(current.ToString().Trim());
return chunks;
}
// Rough estimate - OK for demos, not for billing
private int EstimateTokens(string text)
=> (int)(text.Split(' ').Length * 1.3);
Чому це наївно?:
". "відхилення на URL: "DrM SK1 Smith", "vMSC4- Оцінка символів за кількістю слів - ±20%
- Немає перетинів між шматочками (не втрачає контексту на кордонахM SK1
Краще: ЗаголовокМSK1На основі
Для документації
public List<ContentChunk> ChunkByHeadings(string html)
{
var doc = new HtmlParser().ParseDocument(html);
var chunks = new List<ContentChunk>();
var headings = doc.QuerySelectorAll("h1, h2, h3");
foreach (var heading in headings)
{
var content = new StringBuilder();
content.AppendLine(heading.TextContent);
var sibling = heading.NextElementSibling;
while (sibling != null && !sibling.TagName.StartsWith("H"))
{
content.AppendLine(sibling.TextContent);
sibling = sibling.NextElementSibling;
}
chunks.Add(new ContentChunk
{
Heading = heading.TextContent.Trim(),
Content = content.ToString().Trim(),
HeadingLevel = int.Parse(heading.TagName[1..])
});
}
return chunks;
}
Це зберігає структуру dokumentu і робить вибір більш значущим.
Шаг 4: вибрати
Це місце, де трапляються найбільші невдачі.
У вас є chunks 5 chunks
flowchart TB
Q["Question: What perf improvements?"] --> Score[Score Each Chunk]
subgraph Chunks
C1["Chunk 1: Overview..."]
C2["Chunk 2: Runtime perf..."]
C3["Chunk 3: Libraries..."]
C4["Chunk 4: SDK changes..."]
end
Score --> C1
Score --> C2
Score --> C3
Score --> C4
C2 -->|"score: 3"| Top[Selected]
C3 -->|"score: 1"| Top
style C2 stroke:#27ae60,stroke-width:3px
style C1 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
style C4 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
Погони з ключевыми словами (Simple, DebuggableM SK2
public record ScoredChunk(string Content, string? Heading, int Score, List<string> MatchedKeywords);
public List<ScoredChunk> SelectByKeywords(
List<ContentChunk> chunks,
string question,
int topK = 3)
{
// Normalize and filter stopwords
var keywords = question.ToLower()
.Split(' ', StringSplitOptions.RemoveEmptyEntries)
.Where(w => w.Length > 3)
.Where(w => !Stopwords.Contains(w))
.Select(w => w.Trim(',', '.', '?', '!'))
.Distinct()
.ToList();
var scored = chunks.Select(chunk =>
{
var text = (chunk.Heading + " " + chunk.Content).ToLower();
var matched = keywords.Where(kw => text.Contains(kw)).ToList();
// Boost if keyword appears in heading
var headingBoost = chunk.Heading != null &&
keywords.Any(kw => chunk.Heading.ToLower().Contains(kw)) ? 2 : 0;
return new ScoredChunk(
chunk.Content,
chunk.Heading,
matched.Count + headingBoost,
matched
);
})
.OrderByDescending(x => x.Score)
.Take(topK)
.ToList();
// LOG THIS - it's your debugging lifeline
foreach (var s in scored)
Console.WriteLine($" [{s.Score}] {s.Heading ?? "(no heading)"}: {string.Join(", ", s.MatchedKeywords)}");
return scored;
}
private static readonly HashSet<string> Stopwords = new()
{ "what", "how", "does", "the", "are", "is", "in", "for", "of", "to", "and" };
Найголовніші покращення щодо наївного підрахунку:
- Виведення застережень (на противагу цьому МSK1щоM SK2 і " те, що МSK4 завжди співпадає з мSK5
- Підштовхування заголовка (структурний сигналM SK1
- Ввімкнемо співпадні ключові слова - це ваша лінія для розв 'язання проблем
Вбудова-На основі (СемантикаM SK2
Keywords fail on synonyms. "perfM SK2 wonMSC3t match "performance improvements
Вбудова знаходить семантичні подібності. Якщо ви хочете глибше вивчити вбудова та векторний пошукM SK1 Я розповім про це детальніше у Серія зразків RAG і пошук семантики з комп 'ютером ONNX.
public async Task<List<ScoredChunk>> SelectByEmbedding(
List<ContentChunk> chunks,
string question,
int topK = 3)
{
var questionEmbed = await EmbedAsync(question);
// Cache these per URL in production
var scored = new List<(ContentChunk Chunk, double Score)>();
foreach (var chunk in chunks)
{
var chunkEmbed = await EmbedAsync(chunk.Content);
var similarity = CosineSimilarity(questionEmbed, chunkEmbed);
scored.Add((chunk, similarity));
}
return scored
.OrderByDescending(x => x.Score)
.Take(topK)
.Select(x => new ScoredChunk(x.Chunk.Content, x.Chunk.Heading, (int)(x.Score * 100), new()))
.ToList();
}
private async Task<double[]> EmbedAsync(string text)
{
var request = new EmbedRequest { Model = "nomic-embed-text", Input = [text] };
var response = await _ollama.EmbedAsync(request);
return response.Embeddings.First().ToArray();
}
Торгівля:
- Ключевые слова: швидке , непошкодливе M SK2 літеричне співпадіння
- Embeddings: Semantic, але повільніше і потребує шифрування
Для виробництва, вбудова в кэші на M SK1URL, chunk hash ) в SQLite або в векторній базі даних, як Кдрант.
Пересилання до LLM
Структурувати про prompt, щоб примусити джерело- обмежені відповіді з цитатоюM SK1
public string BuildPrompt(string url, List<ScoredChunk> chunks, string question)
{
var sb = new StringBuilder();
sb.AppendLine("You are answering a question using ONLY the content below.");
sb.AppendLine("Rules:");
sb.AppendLine("- Answer ONLY from the provided sources");
sb.AppendLine("- Cite which SOURCE number supports each claim");
sb.AppendLine("- Include 1-2 brief quotes as evidence");
sb.AppendLine("- If the answer isn't in the sources, say 'Not enough information'");
sb.AppendLine("- End with Confidence: High/Medium/Low");
sb.AppendLine();
for (int i = 0; i < chunks.Count; i++)
{
sb.AppendLine($"=== SOURCE {i + 1} ===");
if (chunks[i].Heading != null)
sb.AppendLine($"Section: {chunks[i].Heading}");
sb.AppendLine($"From: {url}");
sb.AppendLine(chunks[i].Content);
sb.AppendLine();
}
sb.AppendLine($"Question: {question}");
sb.AppendLine();
sb.AppendLine("Answer (with citations and confidence):");
return sb.ToString();
}
Це рухається від "сумок записівM SK1 до МSK2аналіз з провинцією."
Звук Оллами
public async Task<string> AskAsync(string prompt)
{
var request = new GenerateRequest { Model = "llama3.2:3b", Prompt = prompt };
var response = new StringBuilder();
await foreach (var chunk in _ollama.GenerateAsync(request))
{
if (chunk?.Response != null)
response.Append(chunk.Response);
}
return response.ToString().Trim();
}
Це використання інструмента
Те, що ми створили - це модель агента без рамок. чому я віддаю перевагу цьому підходу, ніж Ланг-Шейну - експлуатна оркестрація перевершує магічні абстракції при виправленні проблем
flowchart LR
subgraph Tools["Tools (Deterministic)"]
T1[fetch_url]
T2[clean_html]
T3[chunk_text]
T4[select_relevant]
end
subgraph LLM["LLM (Reasoning)"]
R[Interpret + Answer]
end
T1 --> T2 --> T3 --> T4 --> R
R -->|"Low confidence"| Retry[Retry with different selection]
Retry --> T4
style T4 stroke:#e74c3c,stroke-width:3px
style R stroke:#3498db,stroke-width:3px
Рупка: якщо рівень довіри низькийM SK1 повторюй з більшою кількістю фрагментів або різними ключеними словами.
var answer = await AskAsync(prompt);
if (answer.Contains("Not enough information") || answer.Contains("Confidence: Low"))
{
// Retry with more chunks
var moreChunks = SelectByKeywords(allChunks, question, topK: 5);
answer = await AskAsync(BuildPrompt(url, moreChunks, question));
}
Що пішло не так
flowchart TB
subgraph Failures["Failure Modes"]
F1[Cleaner removes content]
F2[Chunking breaks mid-thought]
F3[Selection picks wrong chunks]
F4[LLM hallucinates connections]
end
F1 --> R1["'Not enough info' - answer existed"]
F2 --> R2["Partial answer - context lost"]
F3 --> R3["Wrong answer - right content skipped"]
F4 --> R4["Confident but wrong"]
style F3 stroke:#e74c3c,stroke-width:3px
Правила виправлення:
Якщо відповідь неправильна, то це майже завжди так: вибір був неправильним, не тому, що модель провалилась
Виліковування списку перевірок
- Запису selected chunk IDs and scores
- Покажіть, які ключові слова співпадуть ( або відстані вмонтуванняM SK1
- Повторюйте конкретну про prompt що було відправлено
- Порівняйте: Чи був правильним змістом у прийманому HTML ? Чистий текст МSK2 Будь-який шматок ?
Як правило, це не "'", а LLM .
Поєднати їх
public class WebAnalyzer : IDisposable
{
private readonly WebFetcher _fetcher = new();
private readonly HtmlCleaner _cleaner = new();
private readonly OllamaApiClient _ollama = new(new Uri("http://localhost:11434"));
public async Task<AnalysisResult> AnalyzeAsync(string url, string question)
{
// 1. Fetch
var html = await _fetcher.FetchAsync(url);
// 2. Clean (with observability)
var cleaned = _cleaner.Clean(html);
Console.WriteLine($"Cleaned: {cleaned.OriginalLength} → {cleaned.Text.Length} bytes ({cleaned.MatchedSelector})");
// 3. Chunk
var chunks = ChunkByHeadings(html);
Console.WriteLine($"Chunks: {chunks.Count}");
// 4. Select (with logging)
Console.WriteLine("Selection scores:");
var selected = SelectByKeywords(chunks, question, topK: 3);
// 5. Prompt + LLM
var prompt = BuildPrompt(url, selected, question);
var answer = await AskAsync(prompt);
return new AnalysisResult
{
Answer = answer,
ChunksUsed = selected.Count,
SelectionScores = selected.Select(s => s.Score).ToList()
};
}
public void Dispose() => _fetcher.Dispose();
}
Використовування з нашим прикладом
using var analyzer = new WebAnalyzer();
var result = await analyzer.AnalyzeAsync(
"https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview",
"What performance improvements are in .NET 10?"
);
Console.WriteLine(result.Answer);
Результати включають цитати та довіру:
Based on SOURCE 1 and SOURCE 2:
.NET 10 includes several performance improvements:
- JIT improvements including better inlining and method devirtualization (SOURCE 1)
- "Enhanced loop inversion for better optimization" (SOURCE 1)
- NativeAOT enhancements for improved code generation (SOURCE 2)
Confidence: High
Коли це працює? ( і не працює?
| працює добре МSK1 не працює МSK2 не спрацьовує | |
|---|---|
| Документація | JavaScript SPAs МSK2 |
| Статьи на блогіM SK1 статті МSK2 Динамічний МSK3 інтерактивний контент | |
| Технические знаряддя | |
| Статичний HTML | Аuthenticated content МSK2 |
Для JS-heavy sites, вам потрібно Playwright для .NET.
Головний принцип
flowchart LR
subgraph Your["Your Code's Job"]
direction TB
F[Fetch reliably]
C[Clean carefully]
S[Select correctly]
O[Observe everything]
end
subgraph LLM["LLM's Job"]
direction TB
R[Reason over what you gave it]
A[Admit when it doesn't know]
end
Your --> LLM
style S stroke:#e74c3c,stroke-width:3px
style R stroke:#3498db,stroke-width:3px
LLM може пояснити тільки те, що ви йому дали.
Не питайте LLM про перегляд
Полне зразок проекту
Полне введення в дію: Найяскравіший.LlmWebFetcher
У тому числі:
WebFetcher- HTTP з правильною технікоюHtmlCleaner- Уникнення шуму + стратегії відхиленняContentChunker- По Sentence і HeadingWebContentAnalyzer- Полна труба з журналуваннямOllamaExtensions- Помощник для потокових відповідей
cd Mostlylucid.LlmWebFetcher
dotnet run
Ресурс
Бібліотеки
- Викривлення куту - Програмування HTML
- Оллама-Шарп - клієнт Оллами
ЛЛМ
- Оллама - локальний час запуску LLM
- llama3.2:3b - SzybкийM SK1 здатний модель
- номінація-засадкаM SK1текст - Помешкання
Подібні статті
- Серія DocSummarizer - Погляньмо на те, щоб покращити ситуацію для підсумування веб-контенту. Цей artykuł показує найпростіший спосіб залучення та аналізуM SK1 DocSummarizer показує спосіб виробництва - сортування за допомогою BERT видобутку МSK3 гібридні пошуки M SK4 оцінені цитації , і правильне відстеження об 'ємуМSK6
- Анализ великих CSV-файлів з локальними LLM - Те ж саме візерунок : Причини LLM МSK2 обчислення коду
- Чому я не користуюся LangChain - Cadre - дизайн без агентів
- Примар RAG - Зрозуміння пошукуM SK1 збільшена генерація
- Семантичний пошук за допомогою ONNX та Qdrant - локальний семантичний пошук
- Збудувати адвоката GPT - Серія повного втілення RAG
Microsoft AI Stack
- Семантичний ядро - Якщо ви хочете структуру
- Microsoft.Extensions.AI - Абстракції