产品trafilatura 2.0
trafilatura
Python 网页正文提取库，支持从 HTML 中提取主要文本内容，输出格式包括 markdown 等，常用于新闻和博客内容抽取。
时间轴 (近 90 天)
10月18日
trafilatura 2.0 在新闻站和越南语博客上的正文提取稳定性优于 readability-lxml 和 newspaper4k。
待验证50%
10月18日
一个 VnExpress 页面原始 HTML 约 180KB，经 trafilatura 提取后仅剩约 6KB。
待验证50%
9月13日
LLM 就绪的 Markdown 若由开发者自建，通常需要结合 html2text、trafilatura 或自定义规则进行后处理
待验证50%