TimeAmber
剪藏#剪藏#石臻说AI

OpenClaw 永久免费的提取任何网页的终极方案

2026 年 3 月 7 日 约 1 分钟
分享Twitter / XTelegram微博

⭐ 设为星标 · 第一时间收到推送

Notion image

石臻说AI编辑：石臻

导读： 用 AI 写文章，最大的隐藏成本不是模型调用次数，而是每次抓网页时塞进去的 token。今天做了一次完整的实测，对比了 Jina、Scrapling、web_fetch 三个方案——发现差别大到出乎意料。

问题是怎么暴露的

在用 AI 做内容创作时，流程大概是这样的：找到一篇参考文章 → 读取全文 → AI 消化后写稿。

web_fetch 是最直接的工具，给一个 URL 就返回内容。但用着用着发现不对：

  • 一篇普通技术博客，轻松返回 8000-15000 token

  • 遇到 GitHub README 或文档页，可能更多

  • 一篇文章采集 3-5 个信息源，光读内容就烧掉几万 token

更麻烦的是，web_fetch 返回的是整个页面，包括：导航栏、侧边栏、页脚、广告、"相关推荐"……真正有用的正文可能只占 30%。

三个方案的实测对比

拿了一篇 Substack 文章做测试：《How I Dropped Our Production Database》，同条件（max 12000字符）横向对比三种提取方式。

方案一：Jina Reader

用法：

JAVASCRIPT
web_fetch("https://r.jina.ai/原始URL", maxChars=30000)

Jina 是专门做网页内容提取的服务，会自动渲染页面、抽取正文、去掉导航和广告，返回干净的 Markdown。

实测效果：

JAVASCRIPT
Title: How I Dropped Our Production Database and Now Pay 10% More for AWS

I'm working on expanding the [AI Shipping Labs website](https://aishippinglabs.com/) ...

My gradual plan was:

1.   Move the current static site from GitHub Pages to AWS S3
2.   Move DNS to AWS so the domain is fully managed there
...

标题、正文、链接、图片、列表——格式全保留，干净利落。速度约 1.4 秒。

**缺点：每天免费限额 200 次。**高产时期两三天就能跑完。

方案二：web_fetch 直接抓

JAVASCRIPT
web_fetch(url, maxChars=30000)

测试同一篇文章——直接报错：fetch failed。

Substack 有反爬机制，web_fetch 根本进不去。对于 Medium、部分付费博客、微信公众号，同样的问题。

即使是能抓到的页面，返回的也是全页 HTML 转 Markdown，噪音多、token 浪费严重。

结论：只适合静态页面（GitHub README、普通技术博客），不适合有反爬的主流平台。

方案三：Scrapling + html2text

Scrapling 是一个开源 Python 爬虫框架（GitHub: D4Vinci/Scrapling），项目定位是"为现代 Web 设计的自适应爬虫"。核心特性：

  • 原生绕过反爬：StealthyFetcher 能绕过 Cloudflare Turnstile 等主流反爬系统，不需要额外配置

  • 自适应选择器：网站改版导致 selector 失效时，能自动重新定位元素，不需要手动维护

  • 零依赖启动：pip install scrapling，没有复杂的浏览器驱动配置

Notion image

Notion image

用法：

JAVASCRIPT
python3 scrapling_fetch.py <url> 30000

脚本逻辑：

  1. 1用 Fetcher.get() 拿到页面 HTML

  2. 2按优先级尝试正文选择器：article → main → .post-content → [class*="body"]

  3. 3找到正文后，用 html2text 把 HTML 转成 Markdown

  4. 4截断到指定字符数

实测效果：

JAVASCRIPT
# How I Dropped Our Production Database and Now Pay 10% More for AWS

### A Terraform command executed by an AI agent wiped the production infrastructure...

I'm working on expanding the [AI Shipping Labs website](https://aishippinglabs.com/) ...

1. Move the current static site from GitHub Pages to AWS S3
2. Move DNS to AWS so the domain is fully managed there
...

和 Jina 几乎一样干净，标题层级、链接、图片 URL、列表都保留了。速度约 3 秒，无限制，不需要 API Key。

Notion image

意外发现：微信公众号文章

测试微信公众号链接（mp.weixin.qq.com）时：

  • Jina → 直接 403 拦截，内容为空

  • web_fetch → 请求被中断

  • Scrapling → 完整拿到正文，Markdown 格式，图片链接也保留

微信公众号有专门的反爬，Jina 和 web_fetch 都进不去，但 Scrapling 的 StealthyFetcher 能绕过去。

这个发现意义很大——之前我们读公众号文章要么靠搜索工具（只能拿摘要），要么靠浏览器渲染（慢且复杂），现在一行命令就能拿全文。

微信公众号文章：Scrapling 直接能拿全文，Jina 403，这一条就值得把 Scrapling 装上。

最终推荐策略

经过实测，确定了这套分级策略：

1 Jina Reader 大部分英文博客、Substack、Medium 200次/天
2 Scrapling Jina 超限、微信公众号、反爬平台 无限制
3 web_fetch 静态页面、GitHub、技术文档 全页噪音多
4 Browser Firefox 需要登录态、极端反爬 最慢

域名快捷路由：mp.weixin.qq.com 直接用 Scrapling，跳过 Jina，不浪费配额。

关于 maxChars： 统一设 30000，既保证完整正文，又不会塞爆 context。

坑：Scrapling 必须配合 html2text

最开始用 Scrapling 时，直接调 get_all_text() 提取文本，以为可以省事。结果发现：

JAVASCRIPT
How I Dropped Our Production Database and Now Pay 10% More for AWS A Terraform command executed by an AI agent wiped the production infrastructure...

纯文字流，段落消失，链接消失，图片消失，标题层级消失。对 AI 写稿来说，链接和图片 URL 都是有价值的素材——引用图片、追溯信息源都要用。

正确做法是先拿 html_content，再用 html2text 转换：

JAVASCRIPT
import html2text
h = html2text.HTML2Text()
h.ignore_links = False
h.ignore_images = False
h.body_width = 0  # 不自动折行
md = h.handle(element.html_content)

这一步加上去，输出就和 Jina 一样干净了。

  • Jina：最好用，格式最干净，但每天 200 次限额

  • Scrapling + html2text：效果和 Jina 相当，无限制，能读微信公众号（Jina 做不到）

  • web_fetch：有反爬的平台直接失败，只适合静态页面

  • maxChars 统一设 30000：省 token 的同时保留完整正文

  • 微信公众号直接走 Scrapling，不要浪费 Jina 配额

🦞 获取完整 Skill 文件 关注公众号「石臻说AI」，回复「scrapling」获取本文完整的 OpenClaw Skill 配置文件和 scrapling_fetch.py 脚本。 进群交流：回复「进群」加入小龙虾养殖交流群，和更多 OpenClaw 用户一起折腾 AI 自动化。

参考链接

📚 往期精选一个人搞定整个营销团队：AI Agent 自动化获客的 10 个实战玩法Claude Code 官方最佳实践：10 条拿来就能用的技巧（来自 Claude Code 作者亲测）Token 省 89%、成功率 97.9%：Google 的 WebMCP 要把浏览器 Agent 从「瞎摸」变成「直连」我用 AI 一周赚了 500 万Anthropic 官方 Claude Code 使用指南：10个内部团队的真实用法，附完整 PDFOpenClaw用这26个提示词变身超级助理AI 成功了，然后世界崩了——一份来自 2028 年的经济尸检报告Chatbot时代结束了？在百度智能云一键部署OpenClaw，AI真的能炒股了一句话，让三个 AI 同时开工：OpenAkita 开源多 Agent 助手解析用了10年显示器，这是我第一次觉得“这是专门为我做的“

— 完 —

围观朋友圈查看每日最前沿AI资讯

Notion image

一键关注 👇 点亮星标

每日科技资讯和提效工具分享

原文地址: https://mp.weixin.qq.com/s?__biz=Mzg4ODY1NTcxNg==&mid=2247498905&idx=1&sn=92f77d88a9c19b59f385ebf7a5d8bbf0&chksm=cee923e420c3d6e61a8d87d22f7a00da955a30cb3b3ed4f1e63234a78bb9ecf909144f045c26&mpshare=1&scene=1&srcid=03076haitKPylpE2Kn0nPMZq&sharer_shareinfo=23585af1302ad0f906574a2977426afc&sharer_shareinfo_first=23585af1302ad0f906574a2977426afc#rd

相关文章