你在微信里收到一条带广告的公众号长文链接，想存进笔记却卡在乱码里

你是不是经常复制网页新闻，粘贴出来全是广告、导航栏、相关推荐，甚至一堆乱码？

手动删半天，结果标题没了、时间错了、图片链接断了——光是整理一篇，就浪费五六分钟。

更别提想批量抓几十篇报道做资料汇编，或者把中文外媒页面转成纯文本存档……这时候只能咬牙开会员买工具。

其实问题不在你不会操作，而在于多数网页根本不是为「复制粘贴」设计的。

它们嵌套着三五层 div、混着动态加载的 JS 脚本、广告位和推荐流穿插在正文中间——人眼能分辨，但 Ctrl+C/Ctrl+V 不会思考。

newspaper3k 不是“又一个爬虫”，它是专为「人类阅读需求」打磨的提取器：只管你要的结果，不管网站怎么写的。

能替代什么 / 能省多少钱

它不卖软件，也不收年费。但如果你现在靠「网页截图+OCR」或「付费爬虫服务」来获取干净文章内容，newspaper3k 就是那个免费替代方案。

“Newspaper delivers Instapaper style article extraction.”

Instapaper、Pocket 这类稍高级的阅读器，基础功能要每月 $3.99；而它们最核心的「自动识别正文、剔除干扰」能力，newspaper3k 全部免费提供。

你不用再为单次提取付几块钱，也不用订阅全年服务，价格直接砍到零。

它也不需要你学正则表达式、调 API 密钥、配代理池，更不强制你注册账号或绑定邮箱。

所有逻辑都封装在几行 Python 里，装完就能跑，跑完就出结果。

主要能干这几件事

打开一个新闻链接，它能自动跳过页眉页脚、侧边栏、评论区，只留下作者、发布时间、正文和配图链接，连 HTML 标签都给你剥干净，剩下的是可复制粘贴的纯文本。比如对 cnn.com 的某篇报道，它会准确识别 <article> 区域，忽略顶部 banner 和底部「你可能还喜欢」模块。
你输入 sina.com.cn 或 bbc.co.uk/zhongwen，它能自动识别这是中文站点，并按中文语义切分段落、提取关键词，不是硬生生按空格或标点劈开。背后用的是基于字符频率与标点分布的语言检测模型，对简体繁体、中英混排都能稳定判断。
想批量抓某家媒体最近 50 篇头条？不用写规则、不用调接口，一行代码就能列出所有文章 URL，再逐个下载解析，整个过程不碰浏览器、不触发反爬提示。它会自动发现首页的 <a href="/article/xxx" rel="external nofollow" > 链接，过滤掉分类页、视频页、广告跳转页等非正文地址。
哪怕你只有网页源码（比如从 requests.get() 拿到的 HTML 字符串），也能直接喂给它，fulltext(html) 一句就吐出干净正文，连 Article 对象都不用建。这个函数特别适合集成进已有脚本，比如你已经用 requests 抓了一堆页面，只需加一行调用，立刻获得结构化文本。
它还能顺手告诉你这篇文章讲了啥：自动生成摘要、提取人名地名、标出核心关键词，这些功能在免费工具里极少打包出现。摘要不是简单截前几句，而是用 TF-IDF 加权后选取最具信息量的句子重组；关键词提取会过滤掉「的」「了」「和」这类停用词，保留实质名词与专有名词。
对多语言混排页面也友好。比如一篇英文主文夹着两段中文引述，它不会全当英文处理，也不会漏掉中文部分的关键词。只要你在初始化时指定 language='zh'，它就会启用中文分词逻辑处理整页内容。

怎么开始用

去官网 github.com/codelucas/newspaper 页面，点右上角绿色按钮「Code」→「Download ZIP」，解压到电脑任意文件夹。
双击运行安装脚本（macOS/Linux 用户只需在终端进入该文件夹，输入 pip3 install newspaper3k，回车等几秒完成）。Windows 用户若未装 pip3，可先运行 Python 官网下载的安装包勾选「Add Python to PATH」，再执行同一命令。
打开系统自带的「文本编辑器」，粘贴三行示例代码（文档首页就有），把网址换成你想处理的新闻链接，保存为 .py 文件，双击运行，结果立刻出现在终端窗口里。注意：第一次运行会自动下载语言模型，需联网，之后离线也可用。