L’estrattore di articoli che non apre il browser — eppure ha ripulito anche le mie pagine di test

La maggior parte degli strumenti di scraping che stanno attirando attenzione quest’anno vuole avviare un browser. trafilatura no. È una libreria pura Python che legge HTML statico, capisce quali blocchi contengono davvero l’articolo e scarta tutto il resto. Questo compito molto specifico — l’estrazione del contenuto principale — è esattamente il suo punto di forza, e lo fa da ben prima che “LLM-ready markdown” diventasse un’espressione di uso comune.

Ho messo la versione 2.1.0 alla prova su un set fisso di fixture con Python 3.14, e il test sugli articoli è quello che mi è rimasto più impresso. Ho avvolto un testo reale con il solito “arredamento” di pagina — un prompt di login, un invito a “Subscribe”, link di navigazione, un footer di copyright — e trafilatura mi ha restituito titolo, tutti e tre i paragrafi del corpo, autore e data, senza lasciare traccia di quei frammenti di boilerplate. Nessun browser, nessuna regola per singolo sito, una sola chiamata di funzione. Il limite, che c’è, emerge nel momento in cui chiedi qualcosa di strutturato. Ne parlo più sotto (è una scelta di progettazione, non un difetto).

Cos’è trafilatura e quale presupposto conviene abbandonare

La descrizione ufficiale lo presenta come un “Python & command-line tool to gather text and metadata on the Web: crawling, scraping, extraction”, con output in CSV, JSON, HTML, Markdown, TXT o XML. È una definizione ampia, ma sminuisce la parte che davvero distingue lo strumento. Il valore non sta negli helper per il crawl o nei sei formati di output. Sta nell’estrazione del contenuto: documento HTML in ingresso, testo principale dell’articolo in uscita, con l’interfaccia della pagina rimossa.

Ecco il modello mentale giusto, perché spiega insieme forza e confine del tool. La maggior parte degli scraper su cui clicchi per una pagina sono guidati da selettori. Gli dici: “prendi l’elemento con classe product-price” e lui ti restituisce ciò che si trova lì. trafilatura ragiona al contrario. Legge l’intero documento e decide quali blocchi sono l’articolo e quali sono boilerplate, usando euristiche sul contenuto invece di un selettore scritto da te. Ecco perché non serve alcuna configurazione specifica per sito per ripulire una pagina mai vista prima. Ed è proprio per questo che non può restituire un catalogo strutturato: non c’è uno schema, non c’è una mappa dei campi, solo un giudizio su cosa conti come contenuto. È un estrattore, non un parser che tu indirizzi.

È anche davvero leggero. Puro Python, nessun browser headless, nessun binario Chromium parcheggiato nella cache, nessuna installazione di Playwright pronta a sorprenderti al primo avvio. Sembra un dettaglio marginale finché non devi fare estrazione su migliaia di URL e ogni megabyte di dipendenza, ogni subprocess, è qualcosa che poi devi gestire. Questo è circa un progetto da 6,26k stelle al 2026-07-09 (adbar/trafilatura) — un repository molto più piccolo dei framework browser e crawler con cui viene spesso accostato, e questo dice molto sul suo perimetro, non sulla sua qualità.

L’installazione è la parte breve, e questo già dice molto

L’installazione richiede una sola riga e non c’è nulla da segnalare, che in sé è un’informazione utile. pip install trafilatura in un virtualenv appena creato ha tirato giù un albero di pacchetti pulito su Python 3.14 — niente browser da scaricare, nessun passaggio post-installazione, nessuna muraglia di dipendenze transitive da scalare. Ho recensito abbastanza librerie di questo tipo da aspettarmi il secondo problema: il pacchetto browser da 150MB che scopri al primo avvio, l’estensione nativa che non compila, il gruppo extra [fetchers] di cui nessuno ti aveva parlato. Con trafilatura, il secondo problema non è mai arrivato.

La versione che pip mi ha installato (2.1.0) coincide con l’ultima release pubblicata il 2026-06-07, quindi i numeri qui sotto non hanno l’asterisco del tipo “hai testato qualcosa di vecchio”. Non è scontato in questa categoria: molti strumenti più pesanti che ho provato erano già a una major indietro quando li ho eseguiti. Qui, build testata e build distribuita coincidono.

Prova pratica: cosa ha restituito davvero l’estrattore

Ho testato trafilatura su fixture pensate per metterne in evidenza sia il punto forte sia il limite. Il test sugli articoli è quello che ha definito la mia valutazione.

Ho preso una fixture locale di un articolo e ho sepolto il contenuto reale nel rumore — un prompt di login, una call to action “Subscribe”, link di navigazione e un footer di copyright, esattamente il tipo di boilerplate che uno scraper ingenuo si porta dietro insieme al corpo del testo. trafilatura ha restituito il titolo più tutti e tre i paragrafi del corpo, e ogni singolo marcatore di boilerplate — Login, Subscribe, Copyright — è sparito dall’output. Oltre al testo, ha estratto correttamente autore e data dai metadati della pagina. Il risultato è uscito in .txt, .md e .json con una sola chiamata.

Quel dettaglio sui formati merita una pausa. Una sola estrazione produceva testo semplice, Markdown e JSON. Il percorso Markdown è il passaggio verso il “testo pronto per LLM” che tutti stanno inseguendo adesso: dai in pasto una pagina disordinata, ottieni prosa pulita con la struttura preservata, e poi la passi a un modello. trafilatura lo fa senza alcun browser nel flusso, e questa è una strada molto più sobria per arrivare allo stesso risultato rispetto agli strumenti che accendono un intero stack di rendering.

Poi la verifica pubblica. L’ho puntato su una pagina prodotto live — una pagina prodotto di Books to Scrape — e ha restituito 1.324 caratteri di testo pulito più Markdown: il blocco descrittivo, leggibile, senza interfaccia della pagina intorno. E quando l’ho passato a una pagina che rispondeva con HTTP 500, fetch_url ha restituito None invece di generare un’eccezione. Nessun crash, nessuno stack trace da gestire. È proprio questo comportamento di errore, noioso ma corretto, che vuoi in uno strumento che gira in autonomia secondo una pianificazione.

I limiti

Sono tre, e ciascuno restringe il contesto in cui lo strumento è adatto.

Primo e più importante: trafilatura è un estrattore di contenuti, non uno scraper strutturato. L’ho provato su una fixture di catalogo da 12 prodotti. Ha restituito tutti e 12 i nomi dei prodotti — come testo — e esattamente 0 righe strutturate (478 caratteri di testo piatto). Nomi e prezzi sono nell’output; semplicemente non sono campi. Se ti serve qualcosa come [{name, price, rating}, …], questo non è lo strumento giusto, e nessuna opzione di configurazione può cambiarlo. È una scelta progettuale su cosa debba fare il tool, non un bug da segnalare.

Secondo: non rende JavaScript. Consuma HTML statico. Se lo punti a una single-page app renderizzata lato client, ottieni quello che il server ha inviato prima dell’esecuzione del JS, e spesso non è nulla di utile. Se le tue destinazioni dipendono molto dal JavaScript, affiancalo a un renderer separato: trafilatura non fa quella parte, e non pretende di farla.

Terzo, una precisazione sulle mie stesse prove. Il test pubblico di estrazione sopra si è appoggiato a un blocco di descrizione prodotto, non a un vero articolo di news, perché la sandbox pubblica che ho usato (la famiglia toscrape) contiene solo cataloghi e nessuna pagina giornalistica. Il risultato pulito sulla pulizia dell’articolo viene invece da una fixture locale controllata. Mi fido di quel risultato — la rimozione del boilerplate è inequivocabile e riproducibile — ma una pagina prodotto non prova un’estrazione di livello editoriale, quindi non la presento come tale.

Per colmare in parte quel divario, ho eseguito una dimostrazione separata e volutamente non valutata su due pagine di articoli reali, leggendo fixture salvate così da rendere l’esecuzione deterministica. Sull’articolo Wikipedia “Web scraping”, trafilatura ha ridotto il contenuto da 230.049 byte di HTML grezzo a 26.673 byte di contenuto estratto (un rapporto body-to-raw di 0,116), e tutti e quattro i marker di interfaccia controllati — “Jump to content”, “Privacy policy”, “Powered by MediaWiki”, “This page was last edited” — sono scomparsi. Su un articolo archiviato di Wikinews, è passato da 79.716 byte a 2.200 (rapporto 0,028), eliminando tutti e cinque i marker verificati. In entrambi i casi titolo, data e hostname risultavano valorizzati; autore e sitename risultavano null in entrambi i casi, e lo riporto invece di nasconderlo. Due punti da tenere distinti: quel rapporto di byte misura quanto markup e interfaccia siano stati rimossi, non l’accuratezza dell’estrazione, e entrambe le pagine appartengono alla stessa famiglia MediaWiki, quindi questa è una dimostrazione su articoli reali, non un corpus rappresentativo.

Sull’accuratezza, in particolare, preferisco rimandare a prove esterne invece di fingere di averla misurata io. trafilatura pubblica la sua pagina di valutazione e riporta il miglior F1 open source (circa 0,945) nel benchmark ScrapingHub per l’estrazione di articoli rispetto a comparatori come readability-lxml (~0,887). Due precisazioni oneste su quel numero: proviene da quel benchmark, non dai miei test, e il valore ~0,945 citato è legato a una vecchia linea 0.5.1 nella fonte, non alla 2.1.0 che ho eseguito. Consideralo come evidenza esterna del perché questo tool abbia una buona reputazione nell’estrazione, non come una misurazione di questa recensione.

Pro e contro

Pro:

• Estrazione di articoli tra le più pulite del mio set: titolo più tutti e 3 i paragrafi su 3, con ogni marcatore di boilerplate (Login/Subscribe/Copyright) rimosso.
• Estrae correttamente autore e data insieme al corpo del testo.
• Output in più formati con una sola chiamata: txt, Markdown e JSON — il Markdown è un vero passaggio verso testo pronto per LLM.
• Installazione leggera, puro Python — niente browser, niente download binari, niente muro di dipendenze.
• Gestione degli errori elegante: fetch_url restituisce None su HTTP 500 invece di sollevare eccezioni.
• La versione testata coincide con la release corrente (2.1.0) — nessuno scarto di versione.
• Licenza Apache-2.0 — permissiva e adatta anche a usi commerciali.

Contro:

• Non è uno scraper strutturato: il test sul catalogo ha restituito 12 nomi come testo e 0 righe tipizzate. Nessuno schema, nessun campo.
• Nessun rendering JavaScript — solo HTML statico; serve un renderer separato per le pagine lato client.
• I metadati sono parziali su alcuni siti: autore e sitename sono tornati null in entrambe le fixture di articoli reali.
• Il mio test pubblico sulla prosa si è basato su un blocco di descrizione prodotto, non su un vero articolo di news.
• Il crawler interno, lo spider per sitemap e i formati di output CSV/XML non sono stati testati in questa analisi, quindi non faccio affermazioni su di essi.

A chi serve — e chi dovrebbe evitarlo

trafilatura è pensato esattamente per chi ha questo problema: “ho degli URL e voglio il testo pulito dell’articolo, senza barra di navigazione, banner dei cookie e invito alla newsletter”. Creare un corpus testuale, passare pagine a un modello, archiviare contenuti leggibili, fare NLP su articoli web: questo è il suo terreno, e ci lavora molto bene. Se ti serve un passaggio leggero, senza browser, che trasformi HTML sporco in Markdown o JSON pulito, installalo e vai avanti.

Evitalo se quello che ti serve davvero è estrazione strutturata: righe prodotto con prezzo, record tipizzati, campi chiave: valore. Ti dà testo, non tabelle — il test sul catalogo ha recuperato i nomi ma non le righe, e questo non cambierà. Evitalo anche se le tue destinazioni renderizzano i contenuti nel browser e non vuoi affiancare un renderer separato, perché trafilatura legge HTML statico e si ferma lì. Il fallimento non è drammatico; semplicemente ottieni un risultato vuoto o troppo povero e ti chiedi perché. Abbina lo strumento al lavoro giusto — testo da articoli, sì; JSON strutturato o pagine renderizzate con JS, meglio cercare altrove.

Alternative, incluso dove si colloca Thunderbit

Prova Thunderbit per l’estrazione di dati web

Partiamo dalla valutazione più equilibrata. trafilatura è una libreria gratuita, Apache-2.0, self-hosted, che esegui tu stesso. Il codice è tuo, non costa nulla per pagina, ed è abbastanza leggero da inserirsi in qualunque pipeline senza pesare sull’operatività. Per il compito specifico di ridurre un articolo a testo pulito, è difficile fare meglio, e un servizio a pagamento non cambia questo verdetto.

Il confronto diventa interessante solo al confine che trafilatura traccia di proposito: dati strutturati e JavaScript. Sono esattamente le due cose che non fa, e sono proprio le due cose che un’API di estrazione gestita è costruita per assorbire. È lì che si colloca lo stack per sviluppatori di Thunderbit — dall’altra parte di quella linea, complementare a trafilatura invece che in competizione con esso sul testo di articoli HTML statici. L’endpoint /distill fa lo stesso tipo di lavoro di trafilatura — pagina trasformata in Markdown pulito e pronto per LLM — ma con rendering JavaScript gestito lato server, cioè proprio la parte che trafilatura salta. E /extract restituisce JSON strutturato secondo uno schema definito da te, cioè la parte che trafilatura rifiuta per design: il catalogo tornato come 478 caratteri di testo piatto è il caso in cui useresti /extract al suo posto. Per agenti AI e coding assistant c’è un server MCP, con uno strumento di suggerimento dei campi da provare gratis, e una CLI via npx @thunderbit/thunderbit-cli per terminale, CI e cron. Funziona sullo stesso motore della Thunderbit Chrome Extension usata da oltre 100.000 persone, quindi esiste anche la via meno tecnica, ma per questo pubblico le superfici rilevanti sono API, MCP e CLI.

Quindi il vero trade-off non è mai stato la qualità dell’estrazione del testo — su questo trafilatura vince sulle pagine per cui è stato progettato, e lo dico chiaramente. Il punto è lo scope e chi si occupa del browser. Ti serve testo pulito da HTML statico, in self-hosting, a costo zero per chiamata? trafilatura è lo strumento più leggero e preciso, senza discussioni. Ti servono JSON strutturati secondo uno schema, oppure la pagina si renderizza solo dopo l’esecuzione di JavaScript? Quello è il terreno dello stack gestito, e non è una battaglia che trafilatura stia cercando di combattere. I prezzi del lato gestito li trovi nella pagina pricing di Thunderbit se stai confrontando il costo per pagina con quello di gestire tu stesso un renderer.

Se stai valutando le opzioni dell’intera categoria, tengo un confronto aggiornato dei web scraping tools che uso davvero, dove librerie come questa vengono affiancate alle alternative browser-driven e gestite.

Verdetto

Conviene usare trafilatura? Sì — se il tuo lavoro è trasformare HTML disordinato in testo pulito di articoli, e sei consapevole delle due cose che non fa di proposito. Ha ripulito una pagina da ogni marcatore di boilerplate e ha restituito titolo, tutti e tre i paragrafi del corpo, autore e data, da un’installazione leggera e senza browser. Produce insieme txt, Markdown e JSON, quindi è un vero passaggio verso testo pronto per LLM. In un settore convinto che per fare qualunque cosa servano un browser headless e un crawler AI, lo strumento che non apre alcun browser ha fatto la pulizia che mi interessava.

Basta dimensionarlo correttamente. È un estrattore, non uno scraper strutturato — il catalogo è tornato come 12 nomi di testo e 0 righe. Legge HTML statico e non esegue JavaScript. L’estrazione dei metadati è forte su alcune pagine e parziale su altre (autore e sitename sono risultati null in entrambe le fixture di articoli reali che ho controllato). E il mio test pubblico sulla prosa si è basato su un blocco di descrizione prodotto, non su un vero articolo di news, quindi considera l’idea di un uso “da newsroom” come promettente, ma non ancora definitiva. Dentro questi confini, trafilatura fa il suo unico lavoro meglio degli strumenti più pesanti che ho confrontato — e lo fa con praticamente niente installato.

Prova Thunderbit per l’estrazione di dati web Get Started Free

FAQ

Cosa estrae davvero trafilatura da una pagina? Il contenuto principale — il corpo dell’articolo più il titolo, e metadati come autore e data — con il boilerplate rimosso. Nel mio test ha restituito titolo e tutti e 3 i paragrafi del corpo da una pagina piena di navigazione, login, subscribe e copyright, e ognuno di quei marker era assente dall’output. Decide cosa conta come contenuto usando euristiche, quindi non ha bisogno di selettori specifici per ogni sito per ripulire una pagina mai vista prima.

trafilatura può trasformare un catalogo prodotti in righe strutturate? No. È un estrattore di contenuti, non uno scraper strutturato. Su una fixture di catalogo da 12 prodotti ha restituito tutti e 12 i nomi come testo piatto (478 caratteri) e 0 righe strutturate — i nomi ci sono, ma non come campi. Se ti servono record tipizzati come nome/prezzo/rating, usa invece un parser basato su selettori o un’API di estrazione guidata da schema.

trafilatura esegue JavaScript? No. Consuma solo HTML statico. Se lo punti a una pagina renderizzata dal client, ottieni quello che il server ha inviato prima che il JavaScript venisse eseguito, che spesso non è il contenuto che cercavi. Affiancalo a un renderer separato se le tue destinazioni fanno molto affidamento sul JS; trafilatura legge il documento statico e si ferma lì.

trafilatura è difficile da installare? No — è uno dei suoi veri punti di forza. pip install trafilatura ha installato un pacchetto pulito in un virtualenv nuovo su Python 3.14, senza scaricare browser, senza passaggi post-installazione e senza gruppi extra nascosti. La versione installata da pip (2.1.0) coincide con la release corrente, pubblicata il 2026-06-07.

Quanto è accurato trafilatura rispetto ad altri estrattori? In questa recensione non ho fatto un benchmark dell’accuratezza, quindi mi appoggio alle evidenze esterne. trafilatura pubblica una pagina di valutazione e riporta il miglior F1 open source (circa 0,945) nel benchmark ScrapingHub per l’estrazione di articoli, superando confronti come readability-lxml (~0,887). Tieni presente che quel valore proviene da quel benchmark su una vecchia linea 0.5.1, non dalla 2.1.0 che ho testato — quindi leggilo come evidenza esterna della reputazione dello strumento, non come misurazione di questo articolo.