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！