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

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。