有哪些可提取网页正文主体HTML与文本的JavaScript库或API？

开源JavaScript库 #

都是可以直接集成到项目里的本地库，不需要调用远程服务，能同时输出清洗后的正文HTML和纯文本，自动过滤导航栏、侧边栏、广告、页脚等非核心内容：

• @mozilla/readability：火狐浏览器自带阅读模式的核心依赖，是目前JS生态里准确率最稳的正文提取实现，兼容浏览器和Node.js环境。浏览器端直接传入当前页的document对象即可，Node端配合jsdom构造DOM对象就能用，返回结果包含完整保留原有结构的正文HTML、剥离格式的纯文本，还能顺带识别出文章标题、作者、发布时间、摘要等元信息，遇到特殊站点也支持自定义过滤规则调整提取结果。
• @postlight/mercury-parser：对新闻、博客类内容站点做了专门优化，输出结构非常规整，支持浏览器、Node双端运行，除了正文内容外还能提取主图、站点名称、文章字数等附加信息，对排版规范的内容站点识别率极高。
• node-readability：基于Readability做的Node端封装，不需要手动配置jsdom环境，直接传入网页URL或者原始HTML字符串就能调用，适合后端批量处理页面的场景，提取时会完整保留正文里的段落、标题、列表、图片、表格等有用标签，不会破坏原有的内容结构。
• trafilatura JS移植版：原版是Python生态里公认对杂乱站点、论坛、小众博客提取效果最好的库，JS版完整移植了核心提取逻辑，对非标准排版的页面识别率比Readability高，纯文本输出会自动保留段落层级，适合后续做文本分析的场景。

第三方REST API方案 #

如果不想自己维护提取规则、需要处理大量异构站点或者JS动态渲染的页面，可以直接用现成的API服务：

• 通用正文提取类服务：只需要传入目标网页URL，服务端会自动处理页面渲染、内容清洗，返回结果里直接带清洗后的正文HTML、纯文本，以及各类文章元信息，对接只需要发简单的HTTP请求，返回JSON格式数据，不需要自己处理页面爬取、DOM解析的逻辑。
• 带正文提取能力的网页抓取服务：这类服务本身解决了反爬、动态渲染的问题，内置的正文提取模块可以直接输出过滤完无关元素的核心内容，适合大规模批量采集分析的场景。

选型参考：如果是在用户浏览器端运行提取逻辑，优先选@mozilla/readability，包体积小、运行速度快，没有额外依赖；如果是Node端做批量处理，优先试trafilatura JS版，对复杂页面的适配更好；如果需要覆盖的站点类型杂、不想花时间适配特殊页面规则，再选REST API方案，能省掉大量维护成本。

内容的提问来源于stack exchange，提问作者Volatil3