简介

trafilatura 是一个用于从网页上提取文本的命令行工具和 python 包:

1. 提供网络爬虫、下载、抓取以及提取主要文本、元数据和评论等功能
2. 可帮助网站导航和从站点地图和提要中提取链接
3. 无需数据库，输出即可转换为各种常用格式（txt,csv,json,xml,xmltei）
4. 可用于搜索引擎优化

首次用户

1. 使用 x env use trafilatura 即可自动下载并使用

   • 在终端运行 eval "$(curl https://get.x-cmd.com)" 即可完成 x 命令安装, 详情参考 x-cmd 官网

2. x-cmd 提供1分钟教程，其中包含了 trafilatura 命令常用功能的 demo 示例，可以帮你快速上手 trafilatura 。

3. 使用案例：

   

   # 安装 trafilatura
   x env use trafilatura
   
   # 提取指定网页的主要内容
   trafilatura -u "https://www.x-cmd.com/start"
   
   # 使用站点地图抓取 x-cmd 关于 7za 的网站
   trafilatura --sitemap "https://www.x-cmd.com" --list | grep 7za > list.txt
   
   # 批量处理 URL 列表，并存储结果到目录中
   trafilatura -i list.txt -o txtfiles
   
   # 优化 bing 搜索结果
   trafilatura --links --xml -u "https://www.bing.com/search?q=gitea"
   

技术特点

1. 稳健高效的提取：
   1. 除了可以提取主要文本之外，还可以提取元数据（标题、作者、日期、网站名称、类别和标签），结构化信息（段落、标题、列表、引号、代码、换行符、行内文本格式）
   2. 从原始 HTML 转换为关键部分，去除由重复出现的元素（页眉和页脚、广告、链接/博客等）组成的噪音
2. 支持 URL 管理（黑名单、过滤和重复数据删除）
3. 支持可选附加组件：
   1. 对提取内容进行语言检测
   2. 图形用户界面 (GUI)
   3. 速度优化
4. 更加高效、准确。从官方给出的评估和替代方案的数据来看，该工具的性能明显优于其他开源解决方案。

竞品和相关作品

1. goose3：用 Java 编写的文章提取器。
2. readabilipy：Python 中的简单 HTML 内容提取器。
3. news-please：是一个开源、易于使用的新闻爬虫，可以从几乎所有新闻网站中提取结构化信息。

进一步阅读

• trafilatura 源代码 - trafilatura 项目的源代码托管在 GitHub，你可以在这里找到最新版本的 trafilatura 和参与社区贡献。
• trafilatura 官网 - 提供了非常丰富的使用案例和技术分析文档。
• 使用 Trafilatura 进行文本抓取 - 该文章介绍了如何使用 trafilatura 快速提取网页问题。

X-CMD 官网

• x-cmd-pkg

• x-cmd-1min