网页内容提取

给一个网址，把页面里真正有用的部分抠出来：正文、所有链接、所有图片、表格、Meta 信息、页面上留的联系方式。想按自己的规则取，就用 CSS 选择器或正则。抓取在服务端完成，所以不受浏览器跨域限制；抓回来的内容可以直接复制，也能导出成 JSON 或 CSV 接着处理。

正文是怎么找出来的

先把 script、style、nav、header、footer、aside、form 这些肯定不是正文的节点整体删掉，然后给每个含文字的块打分：字数越多分越高，逗号句号越多分越高（正文的标点密度明显高于导航），分数还会往父节点和祖父节点累积。最后按链接密度打折——「字不多但全是链接」正是导航和相关推荐的特征，再根据 id / class 里有没有 article、content 这类词做一次加权，取分数最高的那个容器输出。这套做法不依赖任何针对具体站点的规则，所以换个站也能用，但对模板特别花哨的页面偶尔会跑偏。

为什么有时候什么都提不到

因为抓取发生在服务端，拿到的是最初的 HTML，不会执行 JavaScript。单页应用（Vue / React 那类）和瀑布流列表的内容都是脚本渲染出来的，源码里只有一个空壳。遇到这种情况，打开浏览器的开发者工具切到网络面板，找到真正返回数据的那个接口地址，直接把接口地址填进来用「正则表达式」提取，往往更省事。

CSS 选择器支持到什么程度

支持标签名、#id、.class、属性选择器（[attr]、[attr=v]、[attr^=v]、[attr$=v]、[attr*=v]、[attr~=v]）、后代（空格）、子代 >、相邻兄弟 +、通用兄弟 ~，以及用逗号分组。选择器会被翻译成 XPath 再执行，翻译结果会显示在结果上方，方便你核对。伪类不支持（:first-child、:nth-of-type() 这些），因为 XPath 里的对应写法差异太大，容易给出似是而非的结果。

正则那一栏怎么写

直接写正则本体，不用写两边的分隔符和修饰符，工具会按「忽略大小写 + 点号匹配换行 + UTF-8」执行。写了捕获组就取第一个组，没写就取整段匹配。例如取所有二级标题用 <h2[^>]*>(.*?)</h2>，取所有 JSON 里的 id 字段用 "id"\s*:\s*"?(\d+)。结果会自动做 HTML 实体解码并去掉空白项。

抓取的边界在哪

目标地址会先过一遍 SSRF 校验：内网地址、回环地址、非 80/443 端口一律拒绝，跳转的每一跳都重新校验，避免被用来探测内网。单次最多下载 3MB、跟随有限次跳转，每种提取最多返回 1000 条。请只对你有权访问的页面使用，并遵守对方的 robots.txt 与使用条款；高频批量采集请自行控制节奏。

相关工具

网站综合信息、Meta 与关键词密度、HTTP 响应头、在线 HTTP 请求、robots.txt 检测、sitemap 生成。