最近在构建 RAG 系统时，需要将大量技术文档喂给大模型。一开始使用常规的网页抓取方案，结果抓回来的内容惨不忍睹——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。

更麻烦的是，有些网站加了 Cloudflare 防护，直接返回 403 或验证码页面。用 Playwright 跑无头浏览器又慢又重，一个请求要等好几秒。尝试了 trafilatura、newspaper3k、readability 等开源项目，效果都不理想。

直到发现了 webclaw，一款专为 AI 工作流设计的高性能网页提取工具。

项目介绍

webclaw 的核心目标很明确：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，无需启动真正的浏览器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。

核心亮点

Token 优化：减少 90% 无效信息

原始 HTML 页面通常包含大量导航链接、CSS 样式、脚本代码和重复的页脚内容。这些信息对人类阅读是必要的，但对 AI 模型纯粹是浪费 token。

webclaw 采用九步优化流水线，通过文本密度、语义标签、链接比例、位置信息和上下文相关性等指标对 DOM 节点综合评分。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 Playwright、Selenium 方案需要启动完整的浏览器实例，加载渲染引擎、JavaScript 引擎、CSS 解析器等，每个请求耗时 2-3 秒。对于需要频繁访问网页的 AI Agent 来说，这种延迟无法接受。

webclaw 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、指纹特征全部模拟 Chrome 的行为，让反爬系统误以为是真实用户访问。性能表现：

• 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，可以直接接入 Claude Code、Cursor、Windsurf、OpenCode、Codex 等主流 AI 工具，无需编写适配代码。

只需一行命令即可完成配置：

npx create-webclaw

该命令会自动检测已安装的 AI 工具，并为每个工具生成相应配置文件。配置完成后重启 AI 工具，webclaw 的所有功能就会自动可用，Agent 可以直接执行网页抓取、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

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

webclaw 支持多种输出格式：

其中 llm 格式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

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：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)

总结

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的三大痛点：

• 抓不到——反爬防护
• 抓不干净——大量噪声
• 抓了没用——格式不适合 AI

如果你正在构建 RAG 系统、AI Agent，或者需要定期抓取网页内容，webclaw 值得一试。

GitHub：github.com/0xMassi/webclaw