L’extracteur d’articles qui n’ouvre pas de navigateur — et qui a quand même nettoyé mes pages de test

La plupart des outils de scraping qui font parler d’eux cette année cherchent à piloter un navigateur. trafilatura, lui, n’en a pas besoin. Cette bibliothèque pure Python lit du HTML statique, repère les blocs qui correspondent vraiment à l’article, puis écarte le reste. Son rôle est volontairement très ciblé — extraire le contenu principal — et c’est précisément ce qu’elle fait depuis bien avant que l’expression « markdown prêt pour les LLM » n’entre dans le vocabulaire.

J’ai testé la version 2.1.0 sur un ensemble fixe de fixtures avec Python 3.14, et c’est le test d’article qui m’a le plus marqué. J’ai enveloppé un vrai texte dans le décor habituel d’une page — invite de connexion, rappel à l’abonnement, liens de navigation, pied de page avec copyright — et trafilatura m’a renvoyé le titre, les trois paragraphes du corps, l’auteur et la date, en retirant tous les éléments de remplissage. Pas de navigateur, aucune règle spécifique à un site, un seul appel de fonction. Il y a tout de même une limite, et elle apparaît dès qu’on lui demande une sortie structurée. J’y reviens plus bas : c’est un choix de conception, pas un défaut.

Ce qu’est trafilatura, et l’idée qu’il faut abandonner

La présentation officielle le décrit comme un « outil Python et en ligne de commande pour collecter du texte et des métadonnées sur le Web : crawling, scraping, extraction », avec des sorties possibles en CSV, JSON, HTML, Markdown, TXT ou XML. L’ensemble est large, mais il sous-estime ce qui distingue vraiment l’outil. Sa vraie valeur ne tient ni aux utilitaires de crawl ni aux six formats de sortie. Elle tient à l’extraction de contenu : on donne un document HTML, on récupère le texte principal de l’article, sans le chrome de la page.

Voici le bon modèle mental, parce qu’il explique à la fois sa force et sa limite. La plupart des scrapers que l’on pointe vers une page reposent sur des sélecteurs. On leur dit « prends l’élément avec la classe product-price », et ils renvoient ce qui se trouve à cet endroit. trafilatura fonctionne à l’inverse. Il lit tout le document et détermine quels blocs constituent l’article et lesquels relèvent du remplissage, à l’aide d’heuristiques de contenu plutôt que d’un sélecteur écrit à la main. C’est pour cela qu’il peut nettoyer une page inconnue sans aucune configuration spécifique au site. Et c’est précisément pour cela qu’il ne peut pas renvoyer un catalogue structuré : il n’y a ni schéma ni cartographie de champs, seulement une décision sur ce qui compte comme contenu. C’est un extracteur, pas un parseur piloté à la demande.

Il est aussi vraiment léger. Pure Python, pas de navigateur headless, pas de binaire Chromium à installer dans le cache, pas de Playwright prêt à surgir au premier lancement. Cette propriété paraît anodine jusqu’au moment où l’extraction tourne sur des milliers d’URL, et où chaque mégaoctet de dépendance, chaque sous-processus supplémentaire devient un poids opérationnel. Le projet affiche environ 6,26k étoiles au 09/07/2026 (adbar/trafilatura) — bien plus petit que les frameworks de navigateur et de crawl auxquels on le compare souvent, ce qui donne une idée de son périmètre, sans rien enlever à sa qualité.

L’installation est la section courte — et c’est déjà un bon signe

L’installation tient en une ligne, sans rien d’important à signaler, ce qui mérite en soi d’être noté. pip install trafilatura dans un virtualenv neuf a installé un arbre de paquets propre sous Python 3.14 — aucun navigateur à télécharger, aucune étape post-installation, aucune cascade de dépendances à escalader. J’ai assez testé ce type de bibliothèque pour attendre le revers : le paquet navigateur de 150 Mo qu’on découvre au premier lancement, l’extension native qui ne compile pas, le groupe [fetchers] supplémentaire dont personne n’avait parlé. Avec trafilatura, le revers n’est jamais venu.

La version fournie par pip (2.1.0) correspond à la version actuelle, publiée le 07/06/2026 ; les chiffres ci-dessous ne portent donc pas l’astérisque du type « vous avez testé une version dépassée ». Dans cette catégorie, ce n’est pas toujours le cas — beaucoup d’outils plus lourds que j’ai examinés étaient déjà en retard d’une version majeure au moment du test. Ici, la version testée et la version distribuée sont identiques.

Test pratique : ce que l’extracteur a réellement renvoyé

J’ai lancé trafilatura sur des fixtures conçues pour mettre en évidence à la fois ses points forts et ses limites. Le test d’article est celui qui a vraiment fixé mon jugement.

J’ai pris une fixture d’article locale et noyé le contenu réel dans le bruit — invite de connexion, appel à s’abonner, liens de navigation et pied de page avec copyright, exactement le genre de remplissage qu’un scraper naïf embarque avec le corps de texte. trafilatura a renvoyé le titre ainsi que les 3 paragraphes du corps, et chaque marqueur de remplissage unique — Login, Subscribe, Copyright — avait disparu du résultat. En plus du texte, il a extrait correctement l’auteur et la date depuis les métadonnées de la page. Le résultat est sorti en .txt, .md et .json à partir d’un seul appel.

Ce point multi-format mérite qu’on s’y arrête. Une seule extraction a produit du texte brut, du Markdown et du JSON. Le chemin Markdown correspond exactement à l’étape de « texte prêt pour LLM » que tout le monde cherche aujourd’hui : on envoie une page brouillonne, on récupère une prose propre avec sa structure, puis on la transmet à un modèle. trafilatura fait cela sans navigateur dans la boucle, ce qui revient au même résultat par une voie bien plus discrète que les outils à navigateur, qui doivent déployer toute une chaîne de rendu pour l’obtenir.

Ensuite, le test public. Je l’ai pointé vers une page produit en ligne — une page produit de Books to Scrape — et il a renvoyé 1 324 caractères de texte propre, plus le Markdown : le bloc de description, lisible, sans chrome de page autour. Et quand je lui ai soumis une page répondant avec une erreur HTTP 500, fetch_url a renvoyé None au lieu de lever une exception. Pas de crash, pas de trace d’erreur à rattraper. Ce comportement de panne, banal mais correct, est exactement ce qu’on attend d’un outil exécuté en tâche planifiée et sans surveillance.

Les limites

Trois, et chacune resserre le domaine d’usage.

Première et principale limite : trafilatura est un extracteur de contenu, pas un scraper structuré. Je l’ai testé sur une fixture de catalogue avec 12 produits. Il a renvoyé les 12 noms de produits — sous forme de texte — et exactement 0 ligne structurée (478 caractères de texte plat). Les noms et les prix sont dans la sortie, mais pas sous forme de champs. Si vous avez besoin de [{name, price, rating}, …], ce n’est pas le bon outil, et aucun drapeau de configuration ne changera cela. C’est un choix de conception sur la mission de l’outil, pas un bug à corriger.

Deuxième limite : il ne rend pas le JavaScript. Il consomme du HTML statique. Si vous le pointez vers une SPA rendue côté client, vous obtiendrez ce que le serveur a envoyé avant l’exécution du JS, ce qui est souvent inutilisable. Il faut l’associer à un moteur de rendu si vos cibles dépendent lourdement de JavaScript — trafilatura ne fait pas cette partie, et ne prétend pas le faire.

Troisième limite, et elle concerne mes propres preuves. Le test public d’extraction ci-dessus s’appuyait sur un bloc de description produit, pas sur un véritable article de presse, parce que le sandbox public que j’ai utilisé (la famille toscrape) ne contient que des catalogues, sans pages d’actualité. Le bon résultat de nettoyage d’article provient d’une fixture locale contrôlée. Je fais confiance à ce résultat — l’élimination du remplissage est claire et reproductible — mais une page produit ne prouve pas une extraction au niveau d’une rédaction, donc je ne la présenterai pas comme telle.

Pour combler partiellement cet écart, j’ai exécuté une démonstration séparée, volontairement non notée, sur deux vraies pages d’article, en lisant des fixtures sauvegardées afin de rendre l’exécution déterministe. Sur l’article Wikipédia « Web scraping », trafilatura a réduit le corps de 230 049 octets de HTML brut à 26 673 octets de contenu extrait (un ratio corps/brut de 0,116), et les quatre marqueurs de chrome de page que j’ai vérifiés — « Jump to content », « Privacy policy », « Powered by MediaWiki », « This page was last edited » — avaient disparu. Sur un article archivé de Wikinews, il est passé de 79 716 octets à 2 200 (ratio de 0,028), en supprimant les cinq marqueurs vérifiés. Le titre, la date et l’hôte sont revenus remplis dans les deux cas ; l’auteur et le nom du site sont revenus à null dans les deux cas, et je signale ces absences au lieu de les masquer. Deux précisions ici : ce ratio en octets mesure la quantité de balisage et de chrome retirée, pas la précision de l’extraction, et les deux pages appartiennent à la même famille MediaWiki ; il s’agit donc d’une démonstration sur de vrais articles, pas d’un corpus représentatif.

Sur la précision à proprement parler, je préfère m’appuyer sur des éléments externes plutôt que de prétendre avoir tout mesuré moi-même. trafilatura publie sa propre page d’évaluation, et il affiche le meilleur F1 open source (autour de 0,945) dans le benchmark d’extraction d’articles de ScrapingHub, face à des comparateurs comme readability-lxml (~0,887). Deux réserves honnêtes sur ce chiffre : il provient de ce benchmark, pas de mon test, et la valeur rapportée d’environ 0,945 est associée à l’ancienne ligne 0.5.1 dans la source, et non à la 2.1.0 que j’ai exécutée. Il faut donc le lire comme une preuve externe de la réputation de l’outil, et non comme une mesure issue de cet article.

Avantages et inconvénients

Avantages :

• Extraction d’article la plus propre de mon panel — titre plus 3/3 paragraphes, avec suppression de chaque marqueur de remplissage (Login/Subscribe/Copyright).
• Récupère correctement les métadonnées auteur et date en même temps que le corps.
• Sortie multi-format à partir d’un seul appel : txt, Markdown et JSON — le Markdown est une vraie étape de texte prêt pour LLM.
• Installation légère et en pur Python — pas de navigateur, pas de téléchargement binaire, pas de mur de dépendances.
• Échec gracieux : fetch_url renvoie None sur HTTP 500 au lieu de lever une exception.
• La version testée correspond à la version actuelle (2.1.0) — pas de dérive de version.
• Licence Apache-2.0 — permissive et adaptée à un usage commercial.

Inconvénients :

• Pas un scraper structuré : le test catalogue a renvoyé 12 noms sous forme de texte et 0 ligne typée. Pas de schéma, pas de champs.
• Pas de rendu JavaScript — uniquement du HTML statique ; il faut un moteur séparé pour les pages rendues côté client.
• Métadonnées partielles sur certains sites : l’auteur et le nom du site sont revenus à null sur les deux fixtures d’articles réels.
• Mon test de prose publique utilisait un bloc de description produit, pas un véritable article de presse.
• Le crawler intégré pour le crawl/sitemap et les formats de sortie CSV/XML n’ont pas été testés ici, donc je ne me prononce pas à leur sujet.

Pour qui c’est fait — et qui devrait passer son tour

trafilatura vise clairement la personne dont le problème est : « j’ai des URL et je veux le texte propre de l’article, sans la barre de navigation, le bandeau cookies ni l’insistance à s’inscrire à la newsletter ». Constituer un corpus textuel, alimenter un modèle avec des pages, archiver du contenu lisible, faire du NLP sur des articles web — c’est son terrain, et il y excelle. Si vous voulez une étape légère, sans navigateur, qui transforme du HTML brouillon en Markdown propre ou en JSON, installez-le et continuez votre journée.

Passez votre chemin si ce qu’il vous faut vraiment, c’est de l’extraction structurée : lignes de produits avec prix, enregistrements typés, champs clé: valeur. Il vous renvoie du texte, pas des tableaux — le test catalogue a bien récupéré les noms, mais pas les lignes, et cela ne changera pas. Même chose si vos pages ne se rendent qu’après exécution de JavaScript et que vous ne voulez pas ajouter un moteur de rendu séparé, puisque trafilatura lit du HTML statique et s’arrête là. Le mode d’échec n’est pas spectaculaire ; on obtient simplement un résultat vide ou trop maigre, puis on cherche pourquoi. Il faut faire correspondre l’outil à la tâche — texte d’article, oui ; JSON structuré ou pages rendues en JS, cherchez ailleurs.

Alternatives, et où Thunderbit se situe

Essayez Thunderbit pour l’extraction de données Web

Commençons par un cadrage équitable. trafilatura est une bibliothèque gratuite, sous licence Apache-2.0, auto-hébergée et exécutée par vous-même. Vous en possédez le code, elle ne coûte rien par page, et elle est assez légère pour s’intégrer dans n’importe quel pipeline sans friction opérationnelle. Pour la mission précise qui consiste à réduire un article à un texte propre, difficile de faire mieux, et un service payant ne change rien à ce constat.

La comparaison devient vraiment intéressante à la frontière que trafilatura trace volontairement : les données structurées et JavaScript. Ce sont précisément les deux choses qu’il ne fait pas, et ce sont justement les deux choses qu’une API d’extraction managée est conçue pour absorber. C’est là que se situe la stack développeur de Thunderbit — de l’autre côté de cette ligne, en complément de trafilatura plutôt qu’en concurrence avec lui sur le texte d’article en HTML statique. Le point de terminaison /distill fait la même forme de travail que trafilatura : transformer une page en Markdown propre et prêt pour LLM, mais avec rendu JavaScript pris en charge côté serveur, c’est-à-dire précisément la partie que trafilatura laisse de côté. Et /extract renvoie du JSON structuré selon le schéma que vous définissez, c’est-à-dire la partie que trafilatura refuse par conception : le catalogue revenu sous forme de 478 caractères de texte plat est exactement le cas où l’on se tournerait vers /extract. Pour les agents IA et les assistants de code, il existe un serveur MCP, dont l’outil de suggestion de champs est gratuit à tester, ainsi qu’une CLI via npx @thunderbit/thunderbit-cli pour le terminal, la CI et les tâches cron. Le tout repose sur le même moteur que l’extension Chrome Thunderbit, utilisée par plus de 100 000 personnes, donc une option non technique existe aussi ; mais pour ce public, l’API, le MCP et la CLI sont les interfaces pertinentes.

Au fond, le vrai arbitrage n’a jamais été la qualité d’extraction du texte — trafilatura l’emporte sur les pages pour lesquelles il est conçu, et je le dis sans détour. C’est une question de périmètre et de gestion du navigateur. Vous voulez du texte d’article propre à partir de HTML statique, en auto-hébergement, sans coût par appel ? trafilatura est l’outil le plus léger et le plus net, sans discussion. Vous avez besoin de JSON structuré selon un schéma, ou la page ne s’affiche qu’après exécution de JavaScript ? Là, vous êtes dans le terrain d’une stack managée, et ce n’est pas le combat que trafilatura cherche à mener. Les tarifs de la partie managée sont sur la page de tarification Thunderbit si vous comparez le coût par page à celui de l’exploitation d’un moteur de rendu maison.

Si vous comparez les options sur l’ensemble de la catégorie, je tiens à jour un comparatif des outils de scraping web que j’utilise réellement, où des bibliothèques comme celle-ci côtoient les alternatives pilotées par navigateur et les solutions managées.

Verdict

Faut-il utiliser trafilatura ? Oui — si votre objectif est de transformer du HTML brouillon en texte d’article propre, et si vous avez bien conscience des deux choses qu’il ne fera pas volontairement. Il a débarrassé une page de tous les marqueurs de remplissage et a renvoyé le titre, les trois paragraphes du corps, ainsi que l’auteur et la date, à partir d’une installation légère et unique, sans navigateur à l’horizon. Il produit ensemble du txt, du Markdown et du JSON, ce qui en fait une véritable étape de texte prête pour LLM. Dans un secteur persuadé qu’il faut forcément un navigateur headless et un crawler IA pour faire quoi que ce soit, l’outil qui n’ouvre aucun navigateur a très bien nettoyé ce qui comptait pour moi.

Il faut simplement le dimensionner correctement. C’est un extracteur, pas un scraper structuré — le catalogue est revenu sous forme de 12 noms en texte et 0 ligne. Il lit du HTML statique et n’exécute pas JavaScript. Son extraction des métadonnées est solide sur certaines pages et partielle sur d’autres (l’auteur et le nom du site sont revenus à null sur les deux fixtures d’articles réels que j’ai vérifiées). Et mon test public de prose reposait sur un bloc de description produit, pas sur un vrai article de presse, donc je considérerais l’affirmation de niveau rédaction comme prometteuse, mais pas encore définitivement prouvée. Dans ce cadre, trafilatura exécute sa mission unique mieux que les outils plus lourds que j’ai comparés — et avec presque rien d’installé.

Essayez Thunderbit pour l’extraction de données Web Get Started Free

FAQ

Que peut réellement extraire trafilatura d’une page ? Le contenu principal — le corps de l’article, le titre, et des métadonnées comme l’auteur et la date — en supprimant le remplissage. Dans mon test, il a renvoyé le titre et les 3 paragraphes du corps sur une page entourée de bruit de navigation, connexion, abonnement et copyright, et tous ces marqueurs avaient disparu du résultat. Il détermine ce qui compte comme contenu grâce à des heuristiques, donc aucun sélecteur spécifique au site n’est nécessaire pour nettoyer une page inconnue.

trafilatura peut-il extraire un catalogue de produits sous forme de lignes structurées ? Non. C’est un extracteur de contenu, pas un scraper structuré. Sur une fixture de 12 produits, il a renvoyé les 12 noms de produits en texte brut (478 caractères) et 0 ligne structurée — les noms apparaissent dans la sortie, mais pas comme des champs. Si vous avez besoin d’enregistrements typés comme nom/prix/notation, utilisez plutôt un parseur basé sur des sélecteurs ou une API d’extraction guidée par schéma.

trafilatura sait-il rendre JavaScript ? Non. Il consomme uniquement du HTML statique. Si vous le pointez vers une page rendue côté client, vous obtiendrez ce que le serveur a envoyé avant l’exécution du JavaScript, ce qui n’est souvent pas le contenu recherché. Associez-le à un moteur de rendu séparé si vos cibles dépendent fortement du JS ; trafilatura lit le document statique et s’arrête là.

trafilatura est-il difficile à installer ? Non — c’est même l’un de ses vrais atouts. pip install trafilatura a installé un arbre de paquets propre dans un virtualenv neuf sous Python 3.14, sans téléchargement de navigateur, sans étape post-installation et sans groupe caché de dépendances supplémentaires. La version installée par pip (2.1.0) correspond à la version actuelle, publiée le 07/06/2026.

Quelle est la précision de trafilatura par rapport aux autres extracteurs ? Je n’ai pas fait de benchmark de précision dans cet article, donc je m’appuie sur des données externes. trafilatura publie sa propre page d’évaluation, et il affiche le meilleur F1 open source (autour de 0,945) dans le benchmark d’extraction d’articles de ScrapingHub, devant des comparateurs comme readability-lxml (~0,887). Notez que ce chiffre provient de ce benchmark sur une ancienne ligne 0.5.1, et non de la 2.1.0 que j’ai testée — il faut donc le lire comme une preuve externe de la réputation de l’outil, pas comme une mesure réalisée dans cet article.