Node.Js模块用于提取网页内容？

Question

有人可以推荐Node.Js模块或Javascript库（不是基于可读性），可以用来从网页和RSS源中提取内容吗？

我找到了一个可以完成这项工作的好的PHP库 - http://fivefilters.org/content-only/ - 但是寻找一个可以做同样的Node.Js模块。

谢谢！

Answer 1

我为此目的编写了一个名为'unfluff'的Node.js模块：

https://github.com/ageitgey/node-unfluff

希望这能解决你的问题。

Unfluff基于流行的“python-goose”和“goose”（Scala）页面提取库，以防您熟悉这些库。

Answer 2

我会推荐cheerio。有几个很好的教程，包括这个：

http://maxogden.com/scraping-with-node.html

Answer 3

extract-main-text也可以很好地从HTML中提取内容。 node-unfluff对我的日语（可能是CJK）内容不稳定。