Mozilla用了11年的网页清洗术，被这个3人团队重写了一遍

一个浏览器扩展的开发者，花了11个月，把Mozilla Readability的核心逻辑推倒重来。成果是Defuddle——一个能从任意网页提取正文的工具，代码量比原版少了40%，却多支持了Markdown输出和命令行调用。

这事有点像手机贴膜。Readability是原厂膜，能用但边角总有气泡；Defuddle是第三方精修版，把气泡刮干净了，还加了防窥层。

为什么非要造这个轮子

Readability诞生于2010年，Firefox后来把它内置到浏览器，Safari的「阅读模式」也基于它。但11年过去，网页结构早已变天——单页应用、动态加载、无限滚动，这些现代技术让老逻辑频频失灵。

Obsidian Web Clipper的开发者Kepano在GitHub issue里吐槽过：「Readability会把评论区当成正文抓进来，或者漏掉嵌在JSON里的文章数据。」他的用户每天要从几百个网站剪藏内容，容错率极低。

Defuddle的诞生场景很具体：不是要做「更好的Readability」，而是要让Obsidian的剪藏功能不再翻车。目标窄，反而做得深。

Defuddle的处理流程分三步：先解析HTML结构，再评分筛选主内容区，最后清洗输出。评分算法重新设计过，对现代框架生成的DOM更敏感。

关键差异：不是功能更多，是假设不同

Readability的设计假设是「网页是静态文档」，Defuddle的假设是「网页是动态生成的容器」。这个底层差异体现在几个细节：

Readability只输出HTML，Defuddle默认同时支持HTML和Markdown。后者对笔记软件用户是刚需——Obsidian、Notion、Logseq都原生支持Markdown粘贴，省去一道格式转换。

Node.js环境的支持方式也不同。Readability需要开发者自己封装DOM环境，Defuddle直接提供defuddle/node子模块，兼容JSDOM、linkedom、happy-dom等主流实现。配置成本从「写适配层」降到「装依赖包」。

最实用的可能是CLI工具。一行命令npx defuddle parse URL --markdown，就能把任意网页转成干净文本。爬虫工程师、数据分析师、做内容归档的人，能省掉一堆解析脚本。

性能数据目前只有开发者自测：处理典型新闻页面，Defuddle比Readability快约15%，内存占用低20%。没有第三方benchmark，这个数字先当参考。

代码结构：小而封闭

Defuddle的源码组织很「产品经理友好」——核心逻辑约800行TypeScript，分成parser、scorer、cleaner三个模块。没有外部依赖，打包后体积67KB。

对比Readability的源码：1400行JavaScript，混杂着浏览器兼容代码和废弃的API调用。Mozilla这几年主要靠社区PR维护，核心架构没动过。

但Defuddle也有代价。Readability经过11年实战检验，处理了数亿个网页的边角案例；Defuddle的测试集目前只有开发者自己收集的2000个页面，长尾问题必然存在。

「Beware! Defuddle is very much a work in progress!」——项目首页的警告用全大写加粗，不是谦虚，是免责声明。

谁该关注这个工具

三类人可能用得着：

做内容聚合产品的开发者。Readability的授权是Apache 2.0，但架构老旧；Defuddle同样是开源，代码更现代，二次开发成本更低。

重度依赖网页剪藏的知识管理用户。Obsidian Web Clipper已经内置Defuddle，Notion和印象笔记的剪藏功能如果愿意换引擎，解析准确率可能提升。

需要批量处理网页文本的数据工程师。CLI工具+JSON输出，能直接对接下游的NLP流水线或数据库。

但别急着迁移。Defuddle的GitHub仓库只有3个贡献者，issue响应速度未知；Readability背后有Mozilla的工程师社区，稳定性更有保障。新项目适合尝鲜，核心系统建议观望。

Kepano在发布帖里写了一句很产品经理的话：「Defuddle不是Readability的替代品，是它的重新想象。」

这种区分很微妙——前者是竞争关系，后者是继承关系。技术债还清的瞬间，新债也在产生。11年后，会不会有人再写一遍Defuddle？