提取 HTML、正文与链接

已经有浏览器页面？

使用 Playwright 导航后，仅提取下一步所需内容：

const html = await page.content();
const text = await page.locator('body').innerText();
const links = await page.locator('a[href]').evaluateAll((anchors) =>
  anchors.map((a) => ({
    text: a.textContent?.trim() ?? '',
    url: new URL(a.getAttribute('href') ?? '', document.baseURI).href,
  }))
);
console.log(JSON.stringify({ html, text, links }));

page.content() 序列化当前 DOM，不是原始 HTTP 响应字节；innerText() 依赖渲染布局；new URL(..., document.baseURI) 会根据页面基地址解析相对链接。限制输出大小，避免无必要地采集账号隐私。此示例针对 Chromium。

不需要交互会话？

使用 Web Fetch extract 获取文档规定的提取结果，或用 Dump DOM 获取 HTML。这是独立请求，使用自己的参数和认证，不会自动复用浏览器会话的 Cookie 或代理。

按接口参考选择引擎和超时。纯 HTTP 抓取不会执行客户端 JavaScript；未请求过滤时 DOM 快照可能包含 script/style。在同一区域服务且快照仍可用时复用 dom_id，具体见 快照复用；它不是持久化浏览器 Context。

Agent 可使用 CLI 的有界快照和提取能力。不要把任意 HTML 标成 Markdown，也不要把基于 DOM 的快照称为完整浏览器可访问性树。