Ganome/DOT-Files
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
DOT-Files/Gentoo/gentooamd/home/user/.tldrc/tldr/pages.de/common/trafilatura.md

1019 B
Raw Blame History

trafilatura

Ein Python-Tool zum Extrahieren und Crawlen von Webinhalten. Extrahiert Haupttext, Metadaten und Kommentare von Webseiten. Weitere Informationen: https://trafilatura.readthedocs.io/en/latest/usage-cli.html#further-information.

  • Extrahiere Text einer Website:

trafilatura {{[-u|--URL]}} {{url}}

  • Extrahiere Text und speichere diesen in einer Datei:

trafilatura {{[-u|--URL]}} {{url}} {{[-o|--output-dir]}} {{pfad/zur/ausgabe.txt}}

  • Extrahiere Text im JSON-Format:

trafilatura {{[-u|--URL]}} {{url}} --json

  • Extrahiere Text von mehreren URLs aus einer Datei:

trafilatura {{[-i|--input-file]}} {{pfad/zur/url_liste.txt}}

  • Crawle eine Website basierend auf einer Sitemap:

trafilatura --sitemap {{url_zur_sitemap.xml}}

  • Extrahiere Text unter Beibehaltung der HTML-Formatierung:

trafilatura {{[-u|--URL]}} {{url}} --formatting

  • Extrahiere Text inklusive Kommentare:

trafilatura {{[-u|--URL]}} {{url}} --with-comments

  • Zeige Hilfe an:

trafilatura {{[-h|--help]}}