Defuddle 网页内容提取技能

使用 Defuddle 库从任意网页提取主要内容并转换为 Markdown 格式。

功能特性

• 内容提取：自动检测并提取网页主要内容
• Markdown 转换：将 HTML 内容转换为 Markdown 格式
• 垃圾清理：移除广告、侧边栏、评论等网页垃圾
• CLI 支持：提供命令行接口快速使用
• Node.js 集成：支持在 Node.js 环境中使用
• 自定义配置：支持自定义内容选择器和选项

技术实现

• 使用 Defuddle 库进行网页内容提取
• 支持多种配置选项
• 提供简单易用的 API

使用方法

1. 命令行使用

# 解析 URL 并输出为 Markdown
npx defuddle parse https://example.com/article --markdown

# 解析本地 HTML 文件
npx defuddle parse page.html --markdown

# 输出为 JSON 格式（包含元数据）
npx defuddle parse page.html --json

2. 脚本使用

# 从 URL 提取内容并发送到微信文件传输助手
bash scripts/extract_and_send.sh "https://example.com/article" "文件传输助手"

# 从 URL 提取内容并发送到 Telegram
bash scripts/extract_and_send_telegram.sh "https://example.com/article" \x3Cchat_id>

3. Node.js API

import { JSDOM } from 'jsdom';
import { Defuddle } from 'defuddle/node';

async function extractContent(url) {
  const response = await fetch(url);
  const html = await response.text();
  
  const dom = new JSDOM(html, { url });
  const result = await Defuddle(dom.window.document);
  
  return {
    title: result.title,
    content: result.content,
    markdown: result.contentMarkdown
  };
}

配置选项

• markdown: 转换为 Markdown 格式
• debug: 启用调试模式
• contentSelector: 自定义内容选择器
• removeImages: 移除图片
• removeHiddenElements: 移除隐藏元素

脚本说明

• scripts/extract_content.sh: 从 URL 提取内容并输出到控制台
• scripts/extract_and_send.sh: 提取内容并发送到微信
• scripts/extract_and_send_telegram.sh: 提取内容并发送到 Telegram

依赖

• Node.js 和 npm（用于 CLI）
• defuddle 库（已通过 npm 安装）

安装

npm install -g defuddle

注意事项

• Defuddle 需要 Node.js 环境（建议使用 Node.js 18 或更高版本）
• 某些网站可能有防爬虫机制，可能导致提取失败
• 大型网页内容提取可能需要较长时间