trafilatura

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

• Python 环境（README 说明 Trafilatura 是 Python 包与命令行工具）
• 无需数据库：README 明确说明 no database is required
• 可访问外网的网络环境（示例需抓取 https://github.blog 页面）

安装与启动步骤

1. 1准备 Python 环境

   README 说明这是 Python 包，先确认本机已装 Python 并能在终端调用。

   python --version

   复制

2. 2安装 trafilatura

   README 节选未给出安装命令，此处按 Python 包的通用方式安装，如失败请查阅官方文档。

   pip install trafilatura

   复制

3. 3下载网页内容

   用 fetch_url 抓取目标页面 HTML，返回内容可直接交给 extract 处理。

   from trafilatura import fetch_url
   
   downloaded = fetch_url("https://github.blog/2019-03-29-leader-spotlight-erin-spiceland/")
   print(type(downloaded))

   复制

4. 4提取正文文本

   调用 extract 对已下载的 HTML 做正文识别，默认返回纯文本字符串。

   from trafilatura import extract
   
   text = extract(downloaded)
   print(text)

   复制

5. 5输出结构化元数据

   加上 output_format="json" 与 with_metadata=True，可同时拿到标题、作者等元数据。

   from trafilatura import extract
   
   data = extract(downloaded, output_format="json", with_metadata=True)
   print(data)

   复制

关键配置

如何确认成功

执行 extract(downloaded) 返回非空正文文本字符串，加 json 参数后能打印出含 title、author、text 的 JSON 即成功。

常见问题

注意事项

• README 节选未包含安装章节，`pip install trafilatura` 为基于“Python package and command-line tool”的通用推断，若失败请以官方文档为准。
• README 未给出端口、路径、密钥等配置，无需任何敏感信息即可运行示例。
• 示例中的输出文本被省略号截断，实际返回内容会更长。