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：
立即学习“前端免费学习笔记（深入）”；
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。
系统简介系统三大特色：1、全静态：全站生成.html静态页面。降低服务器压力，增强百度收录。2、高优化：特别针对搜索引擎进行优化处理，让客户快速找到你。3、够简单：拥有完善后台管理系统，所有内容均可在后台进行更新。非专业人士也可操作。网站后台后台管理地址：http://你的网站域名/Admin/login.asp用户名：admin密码：admin后台文件夹名：Admin数据库存放位置：Data21
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！
