首页
/ 使用article-extractor库结合Playwright/Puppeteer提取网页正文内容

使用article-extractor库结合Playwright/Puppeteer提取网页正文内容

2025-07-09 09:01:29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:

  1. 提取结果为空或不完整
  2. 类型转换问题导致提取失败
  3. 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

  1. 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。

  2. 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。

  3. 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。

  4. 资源清理:使用完毕后及时关闭浏览器实例,避免资源泄漏。

  5. 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:

  1. 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。

  2. 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。

  3. 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。

  4. 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

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
162
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
198
279
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
RuoYi-Vue3RuoYi-Vue3
🎉 (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
950
556
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
346
1.33 K