首页 > web前端 > js教程 > 正文

使用 Readabilityjs 清理 HTML 内容以进行检索增强生成

聖光之護
发布: 2025-01-22 12:10:21
原创
311人浏览过

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:

使用 Readabilityjs 清理 HTML 内容以进行检索增强生成

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);
登录后复制

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
登录后复制
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());
登录后复制

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
登录后复制

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);
登录后复制

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。

使用 Readabilityjs 清理 HTML 内容以进行检索增强生成

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
}
登录后复制

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!

以上就是使用 Readabilityjs 清理 HTML 内容以进行检索增强生成的详细内容,更多请关注php中文网其它相关文章!

HTML速学教程(入门课程)
HTML速学教程(入门课程)

HTML怎么学习?HTML怎么入门?HTML在哪学?HTML怎么学才快?不用担心,这里为大家提供了HTML速学教程(入门课程),有需要的小伙伴保存下载就能学习啦!

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号