使用article-extractor库结合Playwright/Puppeteer提取网页正文内容
2025-07-09 00:34:50作者:董斯意
在实际开发中,我们经常需要从网页中提取正文内容,而article-extractor库正是为此而设计的优秀工具。本文将详细介绍如何正确结合Playwright或Puppeteer这类浏览器自动化工具与article-extractor库来提取网页正文内容。
常见问题分析
许多开发者在尝试将Playwright或Puppeteer获取的HTML内容传递给article-extractor时遇到困难。常见问题包括:
- 提取结果为空或不完整
- 类型转换问题导致提取失败
- 异步处理不当引发的错误
这些问题通常源于对HTML内容处理方式的不当理解或实现细节的疏忽。
正确实现方式
使用Puppeteer获取HTML内容
Puppeteer提供了多种获取HTML内容的方式,以下是推荐的做法:
const puppeteer = require('puppeteer');
const { extractFromHtml } = require('article-extractor');
async function extractArticle(url) {
const browser = await puppeteer.launch();
const page = await browser.newPage();
// 访问目标页面
await page.goto(url, { waitUntil: 'networkidle2' });
// 获取完整HTML内容
const html = await page.content();
// 提取正文
const { content } = await extractFromHtml(html);
await browser.close();
return content;
}
使用Playwright获取HTML内容
Playwright的实现方式类似,但需要注意其特有的API:
const { chromium } = require('playwright');
const { extractFromHtml } = require('article-extractor');
async function extractArticle(url) {
const browser = await chromium.launch();
const page = await browser.newPage();
await page.goto(url, { waitUntil: 'networkidle' });
// 获取HTML内容的两种方式
const html = await page.content();
// 或者
// const html = await page.locator('html').innerHTML();
const { content } = await extractFromHtml(html);
await browser.close();
return content;
}
关键注意事项
-
等待页面完全加载:确保使用适当的waitUntil选项,如'networkidle'或'networkidle2',以确保页面完全加载完成。
-
HTML内容获取:推荐使用page.content()而非特定元素的innerHTML,因为前者包含完整的文档结构。
-
错误处理:始终添加适当的错误处理逻辑,特别是网络请求和内容解析部分。
-
资源清理:使用完毕后及时关闭浏览器实例,避免资源泄漏。
-
内容验证:提取后可以添加简单的验证逻辑,如检查内容长度或特定标记是否存在。
高级技巧
对于更复杂的场景,可以考虑:
-
自定义等待条件:在页面加载后执行特定操作或等待特定元素出现。
-
处理动态内容:对于大量依赖JavaScript渲染的页面,可能需要额外的等待时间或触发特定事件。
-
性能优化:对于批量处理,可以复用浏览器实例而非每次都创建新的实例。
-
反爬虫策略应对:适当设置请求头和使用代理,避免被目标网站拦截。
通过正确实现这些技术点,开发者可以高效地从各种网页中提取出干净的正文内容,为后续的文本分析、信息存储或其他处理流程提供高质量的数据源。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp课程页面空白问题的技术分析与解决方案3 freeCodeCamp课程视频测验中的Tab键导航问题解析4 freeCodeCamp课程中屏幕放大器知识点优化分析5 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析6 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析7 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 8 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析9 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析10 freeCodeCamp英语课程填空题提示缺失问题分析
最新内容推荐
JavaWeb企业门户网站源码 - 企业级门户系统开发指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 WebVideoDownloader:高效网页视频抓取工具全面使用指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
239
2.36 K
deepin linux kernel
C
24
6
React Native鸿蒙化仓库
JavaScript
216
291
暂无简介
Dart
539
118
仓颉编译器源码及 cjdb 调试工具。
C++
115
86
仓颉编程语言运行时与标准库。
Cangjie
122
97
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
998
589
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
589
115
Ascend Extension for PyTorch
Python
77
110
仓颉编程语言提供了 stdx 模块,该模块提供了网络、安全等领域的通用能力。
Cangjie
80
55