reader

给 URL 加个前缀，网页秒变 LLM 能读的 Markdown

reader 是一个将任意网页 URL 转换为大语言模型友好输入的开源工具，通过简单的 URL 前缀 https://r.jina.ai/ 即可调用。它解决了 LLM 在读取网页时面临的 HTML 噪音、结构混乱、内容提取困难等问题，将网页内容自动清洗、提取正文、去除广告和导航，并输出为干净的 Markdown 格式。核心能力包括：支持任意公开网页的实时抓取与转换、自动处理 JavaScript 渲染页面、提供 RESTful API 接口、可自定义提取规则和输出格式。项目基于 TypeScript 开发，部署灵活，既可作为公共服务使用，也可自托管。其设计初衷是让开发者无需编写复杂的爬虫或解析代码，就能快速将网页内容接入 LLM 工作流，适用于 RAG、知识库构建、AI 阅读助手等场景。

开源 freemium 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 12031

维护状态低维护

是否开源是

定价模式 freemium

项目数据

分类开源模型

开发团队jina-ai

所属国家

官网地址https://jina.ai/reader

GitHubhttps://github.com/jina-ai/reader

定价模式freemium

价格说明提供免费额度，超出部分按量付费，具体价格需查看官网。

访问状态

是否开源是

开源协议Apache-2.0

主要语言TypeScript

技术栈/模型llm,proxy

GitHub 星标★ 12031

30天Star增速

HF 下载量

上线时间2024-04-10 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 10 分钟部署方式：Docker 6 步

环境要求

已安装 Docker，可运行 docker pull / docker run
主机能访问 GitHub Container Registry（ghcr.io）
仅使用公共 API 时无需安装，只要能访问 r.jina.ai 和 s.jina.ai
若要启用桶缓存，需要有一个 S3 兼容的对象存储桶

安装与启动步骤

1调用公共 Read 接口

在任意公开网页 URL 前加上 https://r.jina.ai/ 前缀，即可拿到清洗后的 LLM 友好输入（Markdown）。免费、无需注册。
```
curl https://r.jina.ai/https://github.com/jina-ai/reader
```
2调用公共 Search 接口

把查询词拼在 https://s.jina.ai/ 后面，即可让模型检索到最新的网络信息。空格等特殊字符需转义。
```
curl "https://s.jina.ai/Who%20will%20win%202024%20US%20presidential%20election%3F"
```
3拉取自托管镜像

开源分支的预构建镜像已发布到 ghcr.io，内置 headless Chrome、LibreOffice 和 CJK 字体，无需自行构建。
```
docker pull ghcr.io/jina-ai/reader:oss
```
4启动容器

镜像暴露 8080（h2c）和 8081（HTTP/1.1）两个端口。用 curl 或浏览器测试时映射 HTTP/1.1 的 8081。
```
docker run --rm -p 3000:8081 ghcr.io/jina-ai/reader:oss
```

5带缓存启动

指向一个 S3 兼容存储桶后，抓取过的页面会被缓存，多次请求之间复用，减少重复抓取。

docker run --rm -p 3000:8081 
  -e GCP_STORAGE_ENDPOINT=https://s3.example.com 
  -e GCP_STORAGE_BUCKET=reader-cache 
  -e GCP_STORAGE_ACCESS_KEY=your-access-key 
  -e GCP_STORAGE_SECRET_KEY=your-secret-key 
  ghcr.io/jina-ai/reader:oss

6查阅环境变量表

镜像支持的其他环境变量未在 README 正文列出，需按 README 指引查看 CONTRIBUTING.md 中的完整环境变量表。
```
git clone https://github.com/jina-ai/reader.git
```

关键配置

配置项	必填	说明	示例
`GCP_STORAGE_ENDPOINT`	否	S3 兼容对象存储的访问端点	`https://s3.example.com`
`GCP_STORAGE_BUCKET`	否	用于缓存已抓取页面的存储桶名称	`reader-cache`
`GCP_STORAGE_ACCESS_KEY`	否	对象存储的访问密钥 ID	`your-access-key`
`GCP_STORAGE_SECRET_KEY`	否	对象存储的访问密钥 Secret	`your-secret-key`

如何确认成功

容器启动后，用 curl 或浏览器访问 http://localhost:3000 有正常响应即成功；公共接口可先验证 r.jina.ai 前缀链接是否返回内容。

常见问题

Q：调用公共 API 需要 API Key 吗？

A：README 未要求 Key。Reader API 可免费用于生产环境，稳定且可扩展，但存在速率限制，具体见官网定价页。

Q：8080 和 8081 端口该用哪个？

A：8080 是 h2c（HTTP/2 明文），是 Cloud Run 使用的生产级端口，普通 curl 需加 --http2-prior-knowledge；8081 是 HTTP/1.1 回退端口，路由相同，curl 和浏览器用这个。

Q：自托管版和线上 r.jina.ai 有什么区别？

A：本仓库是线上服务背后的开源分支，运行在无状态或桶缓存模式，不含 MongoDB 支撑的 SaaS 存储层，可自行部署。

Q：能否处理 PDF 和 Office 文档？

A：可以。README 更新记录显示存储层已解耦并支持二进制文件上传，包括 PDF 以及 Word、Excel、PowerPoint 等 MS Office 文档。

注意事项

开源分支默认以无状态模式开箱运行，如需缓存可选用 MinIO/S3 兼容桶，通过 docker compose 或环境变量配置。
README 的 Usage 章节为空，本地开发（local development）细节未在节选中给出，需自行查看仓库中的 CONTRIBUTING.md。
全部环境变量的完整表格见 CONTRIBUTING.md 的 environment-variables 小节。
公共 API 有速率限制，生产使用前建议先了解官网定价页的限额说明。

核心亮点

零代码接入：只需在 URL 前加 https://r.jina.ai/ 即可，无需安装或配置
自动清洗网页：去除广告、导航、脚本等噪音，提取核心正文内容
支持 JavaScript 渲染页面，能处理动态内容，比普通爬虫更全面

不足之处

免费公共实例有速率限制，高频调用需自托管或付费
对复杂登录墙或反爬严格的网站，提取效果可能不稳定

适用场景

构建 RAG 知识库时快速抓取网页内容并向量化
为 AI 阅读助手提供干净的网页正文输入
批量采集新闻、博客等文章用于大模型微调或分析

替代项目

Firecrawl、Jina AI Reader（同项目）、Trafilatura

项目介绍

reader 是搜索知识领域的开源项目，由 jina-ai 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（12,031）位列前 5%，在搜索知识分类的 581 个项目里位列前 6%。

近 41 天，它的 GitHub 星标从 11,855 增加到 12,031，净增 176。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。提供免费额度，超出部分按量付费，具体价格需查看官网。

它主要面向的使用场景是：构建RAG知识库时快速抓取网页内容并向量化。同类可对比的替代方案包括 Firecrawl、Jina AI Reader（同项目）、Trafilatura。

上一篇：pandas-ai

下一篇：PandaWiki