readability-lxml 抽取正文

readability-lxml 根据内容密度启发式提取网页正文（源自 Readability 思路），适合新闻与博客类文章；输出为 HTML 片段，可再转纯文本。

RAG 与向量库速查AI更新于 2026-10-12

提取标题与正文

from readability import Document

html = open("page.html", encoding="utf-8").read()
doc = Document(html)
print(doc.title())
print(doc.summary()[:300])   # 这是 HTML 片段

与 trafilatura 可互补：用两者结果的一致性判断抽取是否稳定，差异大的页面人工复核。

易错点

summary() 输出仍是 HTML，直接当纯文本入库会把标签混进内容
对列表页、结构化页面效果一般，正文型文章才适用

数据来源与参考

readability-lxml 项目文档（github.com/buriy/python-readability）

继续搜索

常用关键词：3389 traceroute iptables 子网掩码 docker

‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌