Clean Content Fetch

获取干净、可读的网页正文内容，适合现代网页、博客、新闻、公告和微信公众号文章抓取；支持网页正文提取、内容清洗、去噪、Markdown 输出，适用于普通 fetch 效果不佳、页面噪音较多或动态渲染干扰的场景。Clean content fetch for modern web pages, article ext...

Scrapling Web Fetch

当用户要获取网页内容、正文提取、把网页转成 markdown/text、抓取文章主体时，优先使用此技能。

默认流程

1. 使用 python3 scripts/scrapling_fetch.py <url> <max_chars>
2. 默认正文选择器优先级：
   • article
   • main
   • .post-content
   • [class*="body"]
3. 命中正文后，使用 html2text 转 Markdown
4. 若都未命中，回退到 body
5. 最终按 max_chars 截断输出

用法

python3 scripts/scrapling_fetch.py <url> 30000

依赖

常见依赖包括：

• scrapling
• html2text
• curl_cffi
• playwright
• browserforge

建议在隔离环境中安装依赖，再运行脚本。若宿主环境限制系统级 pip 安装，可使用项目级虚拟环境。

示例：

python3 -m venv .venv
. .venv/bin/activate
pip install scrapling html2text curl_cffi playwright browserforge
python -m playwright install chromium
python scripts/scrapling_fetch.py <url> 30000

输出约定

脚本默认输出 Markdown 正文内容。 如需结构化输出，可追加 --json。 如需调试提取命中了哪个 selector，可查看 stderr 输出。

附加资源

• 用法参考：references/usage.md
• 选择器策略：references/selectors.md
• 统一入口：scripts/fetch-web-content

何时用这个技能

• 获取文章正文
• 抓博客/新闻/公告正文
• 将网页转成 Markdown 供后续总结
• 常规 fetch 效果差，希望提升现代网页抓取稳定性
• 抓小红书分享短链或笔记落地页正文

小红书抓取方法

对于 xhslink.com 短链或小红书笔记页，可直接运行：

python3 scripts/scrapling_fetch.py 'http://xhslink.com/o/9745hugimlD' 30000

说明：

• 脚本会先解析短链并抓取落地页正文
• 适合提取小红书笔记文案、标题和主体内容
• 若页面需要更复杂交互，再切到浏览器自动化

安全边界

• 仅用于抓取公开网页的正文内容与可读文本
• 不用于登录后页面、私有数据、受限资源或绕过权限控制
• 若目标页面需要账号登录、点击授权、滚动交互或复杂会话状态，应改用浏览器自动化并在明确授权下执行

何时不用

• 需要完整浏览器交互、点击、登录、翻页时：改用浏览器自动化
• 只是简单获取 API JSON：直接请求 API 更合适