Agent Skills
返回列表
📊

用 Defuddle 提取网页干净文章

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/extract-clean-article-markdown-from-web-pages-with-defuddle 技能到你的 AI 助手中。

技能介绍

要解决的问题

网页正文常被广告、导航栏、侧边栏和弹窗干扰，直接抓取的 HTML 难以用于后续处理。当你需要将网页内容摘要、索引或归档时，原始文本中夹杂的噪声会显著影响结果质量。

技能如何工作

该技能通过 defuddle CLI 提取网页核心内容：

  • 输入支持本地 HTML 文件路径或完整 URL
  • 自动识别并移除导航、广告等非正文元素
  • 输出格式可选 --markdown（清理后的 Markdown）或 --json（结构化数据）
  • 基于 Node.js 实现，兼容 JSDOM、linkedom、happy-dom 等 DOM 解析库

适用边界与注意事项

  • 需要 Node.js 运行时环境
  • 适合结构化文章页面，复杂动态内容可能需要额外处理
  • 输出质量依赖原始网页的语义结构清晰度

使用场景

  • 技术博主需要将技术文档网页转换为干净的 Markdown 文件发布，避免广告和导航栏干扰
  • 数据分析师在归档行业报告时，需从包含侧边栏和弹窗的网页中提取正文和元数据
  • 文档工程师在整理 API 文档时，需从复杂动态页面中提取结构化内容用于生成手册
  • 研究人员在整理文献时，需从包含大量广告的网页中提取干净的正文用于分析

适合人员

  • 独立开发者构建文档聚合器，需批量提取多个技术博客的正文内容
  • 内容运营专员在发布行业分析文章时，需从原始网页中提取干净的 Markdown 格式
  • 知识管理专家在建立企业知识库时，需从包含广告的网页中提取结构化内容
  • 学术研究者在整理文献资料时，需从网页中提取干净的正文和元数据用于分析