使用 Readabilityjs 清理 HTML 内容以进行检索增强生成
本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的,希望这篇《使用 Readabilityjs 清理 HTML 内容以进行检索增强生成》对你有很大帮助!欢迎收藏,分享给更多的需要的朋友学习~
网页抓取是增强型生成式检索 (RAG) 应用程序获取内容的一种有效途径,但解析网页内容却可能充满挑战。Mozilla 的开源库 readability.js 提供了一种便捷的解决方案,用于提取网页的核心信息。本文将探讨如何将其集成到 RAG 应用程序的数据获取流程中。
从网页中检索非结构化数据
网页是 RAG 应用程序宝贵的非结构化数据来源。然而,网页通常包含大量无关信息,例如页眉、侧边栏和页脚等。这些内容虽然对用户浏览网站有帮助,但却偏离了页面的主要主题。
为了优化 RAG 数据质量,我们需要滤除这些无关内容。针对特定网站,可以使用 Cheerio 等工具,根据网站结构自行解析 HTML。但如果需要跨不同布局和设计的网站抓取数据,则需要一种更通用的方法,只提取核心内容,忽略其余部分。
重新定义阅读器视图的功能
大多数浏览器都内置了阅读器视图,该视图会移除除文章标题和正文以外的所有内容。下图展示了 DataStax 网站一篇博文在浏览器模式和阅读器模式下的差异:

Mozilla 将 Firefox 阅读器模式的核心库以独立开源模块 readability.js 的形式提供。因此,我们可以在数据管道中使用 readability.js 来清除无关内容,从而获得更高质量的抓取结果。
使用 Node.js 和 readability.js 抓取数据
以下示例演示了如何从一篇关于在 Node.js 中创建矢量嵌入的博文中提取文章内容:
首先,使用以下 JavaScript 代码检索页面的 HTML:
const html = await fetch( "https://www.datastax.com/blog/how-to-create-vector-embeddings-in-node-js" ).then((res) => res.text()); console.log(html);
这包含了所有 HTML 标签,以及导航、页脚、分享链接、号召性用语等等。
为了改进这一点,您可以安装 Cheerio 模块,并只选择关键部分:
npm install cheerio
import * as cheerio from "cheerio";
const html = await fetch(
"https://www.datastax.com/blog/how-to-create-vector-embeddings-in-node-js"
).then((res) => res.text());
const $ = cheerio.load(html);
console.log($("h1").text(), "\n");
console.log($("section#blog-content > div:first-child").text());
这段代码可以获取文章标题和正文。但是,这需要您了解 HTML 结构,而这并非总是可行的。
更好的方法是安装 readability.js 和 jsdom:
npm install @mozilla/readability jsdom
readability.js 通常在浏览器环境中运行,并使用实时文档而非 HTML 字符串,因此我们需要 jsdom 在 Node.js 中模拟浏览器环境。现在,我们可以将已加载到文档中的 HTML 传递给 readability.js 进行解析:
import { readability } from "@mozilla/readability";
import { jsdom } from "jsdom";
const url = "https://www.datastax.com/blog/how-to-create-vector-embeddings-in-node-js";
const html = await fetch(url).then((res) => res.text());
const doc = new jsdom(html, { url });
const reader = new readability(doc.window.document);
const article = reader.parse();
console.log(article);
解析后的结果包含标题、作者、摘要、发布时间以及正文内容 (content 和textContent)。textContent 属性是纯文本内容,可以用于分块、创建矢量嵌入并存储到数据库中。content 属性包含原始 HTML,包括链接和图像,方便进一步处理。

为了确保页面适合使用 readability.js 处理,可以使用 isProbablyReadable 函数进行预先检查:
const doc = new jsdom(html, { url });
const reader = new readability(doc.window.document);
if (isProbablyReadable(doc.window.document)) {
const article = reader.parse();
console.log(article);
} else {
// 执行其他操作
}
如果页面未通过检查,则需要采取其他策略处理该页面,或者将其排除。
将 readability 与 Langchain.js 结合使用
如果您的应用程序使用 Langchain.js,则可以结合使用 readability.js 和 Langchain.js 的 MozillaReadabilityTransformer 来处理网页内容。这可以与 Langchain 的其他组件(例如文本分块器和向量数据库)无缝集成。
使用 readability.js 获取更准确的网络抓取数据
readability.js 是一个可靠的库,可以有效地清理网页内容,使其更适合 RAG 应用。您可以直接使用该库,或者结合 Langchain.js 使用 MozillaReadabilityTransformer 来实现。 网页数据获取只是数据处理流程的第一步,后续还需要文本分块、向量嵌入生成以及数据存储等步骤。
您是否使用其他技术来清理 RAG 应用程序的网页内容?欢迎分享您的经验!
今天关于《使用 Readabilityjs 清理 HTML 内容以进行检索增强生成》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
传谷歌计划向Anthropic投资10亿美元
- 上一篇
- 传谷歌计划向Anthropic投资10亿美元
- 下一篇
- 极越汽车:已组建售后维保团队,旨在为车主提供全面服务
-
- 文章 · 前端 | 2天前 | 流式处理 · javascript · 浏览器API · JavaScript UTF-8 ReadableStream Web Streams WritableStream TextEncoderStream
- Web Streams TextEncoderStream 怎样把字符串转换成字节流
- 358浏览 收藏
-
- 文章 · 前端 | 2天前 | javascript · 浏览器API · Web Locks API navigator.locks.request 同源标签页 共享任务 浏览器并发
- Web Locks API 怎样让同源标签页串行执行共享任务
- 445浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · css · CSS 组件样式 @scope scope root scope limit 选择器作用域
- CSS @scope 怎样限制选择器只作用于局部组件
- 210浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · JavaScript translate HTMLElement 产品名称
- JavaScript HTMLElement.translate 怎样标记无需翻译的产品名称
- 483浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · javascript · JavaScript IntersectionObserver rootMargin threshold intersectionRatio
- JavaScript IntersectionObserver 怎样设置多级阈值
- 289浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · JavaScript postMessage Message BroadcastChannel close 同源页面通信
- JavaScript BroadcastChannel 怎样在同源页面间传递消息
- 403浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · javascript · JavaScript iframe document importNode createHTMLDocument DOMImplementation
- JavaScript createHTMLDocument 怎样在独立文档中组装 HTML
- 329浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · websocket · JavaScript websocket CloseEvent 关闭事件
- JavaScript WebSocket 怎样处理 close 事件的 code 和 reason
- 239浏览 收藏
-
- 文章 · 前端 | 2天前 |
- JavaScript structuredClone 复制 Error 对象怎样保留错误信息
- 261浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · JavaScript Fetch AbortController AbortSignal abort reason
- JavaScript AbortController.abort(reason) 怎样把取消原因传给调用方
- 423浏览 收藏
-
- 文章 · 前端 | 2天前 | 前端 · 错误处理 · JavaScript Fetch response HTTP 404
- JavaScript fetch 怎样区分网络失败和 HTTP 404
- 239浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1174次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1158次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1341次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1282次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1143次使用
-
- JavaScript函数定义及示例详解
- 2025-05-11 502浏览
-
- 智能体安全引领产业升级——国内AI安全产品市场深度分析
- 2026-08-21 501浏览
-
- CSS变量简化按钮悬停效果技巧
- 2026-05-31 501浏览
-
- JavaScript符号类型详解与应用
- 2026-05-31 501浏览
-
- HTML剪贴板复制粘贴怎么用
- 2026-05-26 501浏览

