1.5K Star！网页提取神器 webclaw：让 AI 精准抓取网页核心内容！

最近在做一个 RAG 项目，需要把大量技术文档喂给大模型。

一开始用的是常规的网页抓取方案，结果抓回来的内容简直惨不忍睹——导航栏、页脚、广告、脚本代码混在一起，50000 token 的 HTML 里真正有用的内容不到 800 token。

更气人的是，有些网站还加了 Cloudflare 防护，直接返回 403 或者验证码页面。用 Playwright 跑无头浏览器吧，又慢又重，一个请求要等好几秒。

在 GitHub 上翻了无数项目，试过了 trafilatura、newspaper3k、readability 等等，效果都差强人意。

直到发现了 webclaw，简直是打开了新世界的大门！

项目介绍

webclaw 是一款专为 AI 工作流打造的高性能网页提取工具。

它的核心目标很简单：把网页转成干净、结构化、适合大模型使用的内容。

不同于传统的网页抓取工具，webclaw 从底层重新设计了整个提取流程。它用 Rust 编写，通过 TLS 指纹模拟浏览器行为，在不启动真正浏览器的情况下就能绕过大多数反爬机制。

提取引擎会自动识别并剔除导航栏、广告、脚本等无用信息，只保留核心正文内容。

核心亮点

🌟 Token 优化：减少 90% 的无效信息

这是 webclaw 最惊艳的特性。原始 HTML 页面通常包含大量的导航链接、CSS 样式、脚本代码、重复的页脚内容等。

这些信息对人类阅读来说是必要的，但对 AI 模型来说纯粹是浪费 token。

webclaw 的提取引擎采用九步优化流水线，通过文本密度、语义标签、链接比例、位置信息、上下文相关性等多种指标对 DOM 节点进行综合评分。

导航栏、广告、页脚、评论区等低分值节点会被自动剔除，而文章正文、标题、图片说明等高分值节点会被保留并整理。

⚡ 极速响应：比 Chrome 方案快 20 倍

传统的网页抓取方案（如 Playwright、Selenium）需要启动完整的浏览器实例，加载整个渲染引擎、JavaScript 引擎、CSS 解析器等，每个请求耗时 2-3 秒甚至更久。

这对于需要频繁访问网页的 AI Agent 来说是无法接受的——用户无法容忍等待几秒才能得到回答。

webclaw 采用完全不同的思路：它不启动浏览器，而是在 TLS 层面模拟浏览器行为。TCP 握手、加密套件、扩展信息、指纹特征等全部模拟 Chrome 142 的行为，让反爬系统误以为是真实用户访问。

这种方式带来了惊人的性能提升：

• • 静态页面平均响应时间仅 118ms
• • 本地提取 10KB 页面只需 0.8ms
• • 本地提取 100KB 页面只需 3.2ms
• • 本地提取 500KB 页面只需 12.1ms
• • 整体性能比基于 Chrome 的方案快 20 倍

🤖 原生 MCP 支持：无缝接入 AI Agent

webclaw 内置了 MCP（Model Context Protocol）服务器，这意味着它可以直接接入 Claude Code、Cursor、Windsurf、OpenCode、Codex 等主流 AI 工具，无需编写任何适配代码。

MCP 是连接 AI 模型和外部工具的标准协议，通过统一的接口规范，AI Agent 可以调用各种工具而无需了解底层实现细节。

只需一行命令即可完成配置：

npx create-webclaw

这个命令会自动检测你安装的 AI 工具，并为每个工具生成相应的配置文件。配置完成后，重启你的 AI 工具，webclaw 的所有功能就会自动可用。

安装后，你的 AI Agent 就能直接执行网页抓取、站点爬取、内容对比、品牌信息提取等操作。

🛡️ 智能反爬绕过：自动应对 Cloudflare 等防护

现代网站普遍使用 Cloudflare、Akamai、DataDome 等反爬系统。这些系统会检查 TLS 指纹、浏览器特征等，普通的 HTTP 请求很容易被拦截。

webclaw 通过 primp 库在底层模拟 Chrome 的 TLS 指纹，使得请求看起来完全像来自真实浏览器。对于需要 JavaScript 渲染的页面，webclaw 会自动检测并切换到渲染路径，无需手动配置。

📦 丰富的输出格式：满足各种场景需求

webclaw 支持多种输出格式：

其中 llm 格式特别值得一提，它会进一步去除重复链接、空段落等，是喂给 RAG 系统的最佳选择。

快速上手

方法一：MCP 一键安装（推荐）

npx create-webclaw

这个命令会自动检测你安装的 AI 工具（Claude Code、Cursor、Windsurf 等）并完成配置。

方法二：Homebrew（macOS）

brew tap 0xMassi/webclaw
brew install webclaw

方法三：预编译二进制

从 GitHub Releases 页面下载 macOS 或 Linux 二进制文件：
https://github.com/0xMassi/webclaw/releases

方法四：Docker

docker run --rm ghcr.io/0xmassi/webclaw https://example.com

使用示例

基础提取

# 提取单页内容（默认 markdown 格式）
webclaw https://example.com

# 指定输出格式
webclaw https://example.com --format markdown
webclaw https://example.com --format llm
webclaw https://example.com --format json

只保留主内容

webclaw https://example.com/blog/post --only-main-content

自定义选择器

webclaw https://example.com \
  --include "article, main, .content" \
  --exclude "nav, footer, .sidebar, .ad"

爬取文档站

webclaw https://docs.rust-lang.org --crawl --depth 2 --max-pages 50

提取品牌信息

webclaw https://github.com --brand

页面变化对比

# 保存快照
webclaw https://example.com/pricing --format json > pricing-old.json

# 对比变化
webclaw https://example.com/pricing --diff-with pricing-old.json

SDK 使用

TypeScript

import { Webclaw } from "@webclaw/sdk";

const client = new Webclaw({ apiKey: process.env.WEBCLAW_API_KEY! });

const page = await client.scrape({
  url: "https://example.com",
  formats: ["markdown"],
  only_main_content: true,
});

console.log(page.markdown);

Python

from webclaw import Webclaw

client = Webclaw(api_key="wc_your_key")

page = client.scrape(
    "https://example.com",
    formats=["markdown"],
    only_main_content=True,
)

print(page.markdown)

写在最后

webclaw 是一款真正理解 AI 工作流需求的网页提取工具。它从底层重新设计了网页提取流程，通过 TLS 指纹模拟、智能内容评分、多格式输出等特性，解决了传统抓取工具存在的三大痛点：

痛点一：抓不到——反爬防护

痛点二：抓不干净——大量噪声

痛点三：抓了没用——格式不适合 AI