跳到主要内容

内容提取

Otto 使用用户自己的 Chrome 会话从实时浏览器标签页中提取页面内容。这使其比远程抓取或浏览器农场更适合代理，因为内容来自用户实际渲染的真实页面。

工作原理​

当代理或控制器调用 otto extract-content 时，Otto 将请求通过中继路由到附加到目标标签页的扩展节点。扩展使用页面的实时 DOM 和当前会话状态直接在浏览器运行时中执行提取。

这意味着 Otto 提取的是 JavaScript 执行后、用户认证后以及延迟加载内容后的最终渲染页面。

支持的格式​

Otto 支持多种提取输出，使自动化工作流可以为任务选择合适的形式：

  • markdown — 浏览器安全的 markdown，保留标题、列表、链接、内联代码和表格结构。这是默认格式，最适合代理摄入。
  • clean_html — 保留 DOM 的 HTML，移除脚本/样式/内联处理程序，同时保留语义属性（data-*、aria-*、role）。这是选择器发现和命令编写的最佳格式。
  • distilled_html — 以内容为中心的 HTML，用于以可读性优先的提取流程。
  • raw_html — 当前 DOM 的完整 HTML，包括页面外壳和脚本/样式标签。
  • text — 纯文本提取，用于摘要或快速内容检查。

应该使用哪种格式？​

  • 使用 markdown 进行摘要和 LLM 摄入。
  • 使用 clean_html 进行 DOM 检查和可靠的选择器构建。
  • 仅当你特别需要类似文章的清���内容时使用 distilled_html。
  • 仅当需要精确的页面标记保真度时使用 raw_html。
  • 使用 text 进行快速纯文本检查。

为何对代理重要​

  • 免费且本地 — 提取在用户自己的浏览器中运行。无需外部抓取服务、无远程云浏览器农场、无额外的页面获取。
  • 快速 — 浏览器节点已经加载了页面，因此 Otto 可以立即从实时标签页中提取内容，而不是从远程请求进行重建。
  • 准确 — 提取看到的是实际渲染的 DOM，包括动态内容、客户端状态和站点特定的页面组成。
  • 代理就绪 — markdown 输出针对 LLM 消费进行了优化，保留结构和可读性，同时最小化令牌开销。

命令​

使用高级提取命令：

# 最适合选择器发现和自动化编写
otto extract-content https://example.com/article --format clean_html

# 最适合代理摘要（默认）
otto extract-content https://example.com/article --format markdown

在底层，Otto 将此映射到浏览器 DOM 提取原语：

  • primitive.dom.extract_markdown
  • primitive.dom.extract_clean_html
  • primitive.dom.extract_distilled_html
  • primitive.dom.extract_html
  • primitive.dom.extract_text

参见​