目录
简介首次用户技术特点竞品和相关作品进一步阅读
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:
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可帮助网站导航和从站点地图和提要中提取链接无需数据库,输出即可转换为各种常用格式(txt,csv,json,xml,xmltei)可用于搜索引擎优化
首次用户
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 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 。 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
稳健高效的提取:
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)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 支持 URL 管理(黑名单、过滤和重复数据删除)支持可选附加组件:
对提取内容进行语言检测图形用户界面 (GUI)速度优化 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
goose3:用 Java 编写的文章提取器。readabilipy:Python 中的简单 HTML 内容提取器。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
文章来源
发表评论