从 HTML 字符串抽取
从 HTML 字符串抽取
import trafilatura
html = open("page.html", encoding="utf-8").read()
text = trafilatura.extract(html, include_tables=True, include_comments=False)
print(text[:200])
# 也可抓取 URL（注意抓取目标站点条款）
# html = trafilatura.fetch_url("https://example.com/article")输出支持 txt/json 等格式；JSON 里带标题、作者、日期等元数据，方便写入切片字段。