网页正文抽不干净怎么办？readability：Firefox 阅读模式同款抽取库

GitHub 仓库

mozilla/readability

总 Stars

★ 11,514

主要语言

JavaScript

查看 GitHub 项目

结论先说

readability 是 Firefox 阅读模式背后的正文抽取算法独立版：输入一页 HTML，输出干净的文章正文。GitHub 总 star 11514（2026-10-26 核验，JavaScript、Apache-2.0，最近更新 2026-08-04）。本篇是编辑精选，不是当日榜单项目。

是什么

它按密度、标签、链接比例等规则判断哪块是正文、哪块是导航广告，把网页“洗”成可读文章。浏览器阅读模式每天都在用同一套逻辑，稳定性经过大规模验证。

能干嘛

• 爬虫、RSS 阅读器里抽正文，省掉针对每个站写规则
• 做稍后读、存档、转 Markdown 的前置步骤
• 和 trafilatura 这类爬虫系工具对照使用，互相校验

适合谁

• 写爬虫、做内容聚合的开发者
• 需要稳定抽正文、不想维护站点规则的人

注意点

更新节奏慢（最近一次推送在 8 月），属于稳定库而非停滞；但对付反爬严格、结构特殊的页面，它不如针对性规则准。我的用法是先用它跑一遍，抽不干净的页面再单独处理。

问：readability 和 trafilatura 选哪个？

readability 是浏览器系，通用性好、上手快；trafilatura 是爬虫系，针对新闻类页面调得更细。我的建议是两个都跑，对结果不一致的页面人工看一眼，比只信一个更稳。

站长点评

我喜欢这类“浏览器同款”工具：用户量本身就是测试量，边界情况早被踩过一遍。对内容聚合来说，稳定比花哨重要得多。

项目地址：https://github.com/mozilla/readability