纯净阅读器能提取什么，又有哪些限制

内容审阅日期：2026 年 10 月 25 日。下述观察记录于 2026 年 9 月 20 日，并非新测试，也不是适用于某家出版商全部文章的成功率。

先确认出版商发送了什么

纯净阅读器从出版商的响应中提取段落，并去掉文章周围的页面元素。只有响应本身包含正文时，它才能改善阅读体验。软付费墙可能只是遮住已经发送到浏览器的文字。计量式付费墙允许有限次数的阅读，之后改变用户能够查看或接收的内容。硬付费墙通常在访问获得授权前不发送文章。这些区别有助于理解原理，但不能给整个网站下定论：不同文章、地区和访问时机可能得到不同响应。

移除遮挡层和恢复缺失正文是两回事。如果服务器只发送标题和导读，重新排版无法补上剩余内容。即使结果简洁美观，也仍可能不完整。

纯净阅读器和 Googlebot 使用同一个提取器

两种方法都从初始 HTML 中选取看起来像文章的段落，不执行 JavaScript。Googlebot 选项改变请求中的 user-agent 标头；它不是经过验证的 Google 爬虫，不使用 Google 的网络身份，也不会授予订阅者权限。出版商可能返回相同文字、不同文字，或拒绝访问。

提取器将短段落、标题、列表和引文保留为不同的文本块。它评估中文和日文时不依赖词间空格，因此不会仅因字数统计较低而丢弃简讯。标题、作者、日期和来源元数据可帮助确认文章身份，但不能证明完整性。

纯净阅读器可以在单次抓取期间，将出版商的 Cookie 临时保存在内存中，以完成普通的 Cookie 交互。它不会导入您浏览器中的登录 Cookie。抓取结束时会清除这些 Cookie 状态，失败时也一样。目前单次抓取的时间预算为 14 秒，最多允许六次重定向；重定向循环或访问验证仍可能使其失败。这并不是完整的浏览器会话。

为了在打开阅读器时避免再次获取相同文本，新检查的文章文本可在浏览器内存中最多保留 120 秒。清除、更改查询或到期时即丢弃。这种交接不会将文章保存到浏览器的持久存储中。

如需在浏览器中尝试，请参阅集中说明 JavaScript 操作的手动选项。Chrome 官方文档解释了 DevTools 中的控制方式，以及它在当前标签页中的生效时段。禁用 JavaScript 也可能使正常文章内容消失或破坏导航；检查后请重新启用。

检查结果，而不只看标签

将来源地址、标题、作者和发布日期与目标文章核对。阅读开头和结尾的段落。确认看到的是连贯文章，而不是菜单、相关文章列表、订阅推广或 Cookie 帮助说明。字词数量不能单独证明完整性：无关页面文字也会让错误提取的结果变长。

高置信度表示存在更强的文章正文特征，并不代表全文已经独立核实。中置信度表示证据较弱，或该候选结果需要检查。未知表示检查未能确认可读性，例如请求超时或遇到访问验证。这些标签都不是成功率百分比。即使返回了一些有用段落，订阅提示仍可能降低置信度。

已记录的检查发现了什么

2026 年 9 月 20 日，The Register 关于特斯拉 Cybertruck 召回的公开文章，在纯净阅读器和 Googlebot 中都提取出相同的 700 个英文单词；段落哈希值一致。这说明两种方法对这一篇公开文章的提取相同，并不能证明订阅内容的访问有所改善。

在记录的 Courier Mail 案例中，Cookie 交互之后返回了 HTTP 403。PrintFriendly 显示订阅提示或导读，smry 则返回 Cookie 帮助内容。因此，页面成功加载不等于目标文章已被取回。测试之后，相关条件也可能发生变化。

实用排查方法

如果类似阅读器反复返回同一导读或验证页面，就应停止重复尝试。寻找已保存的副本时，请阅读网页存档可靠性指南。如需合法的访问途径，请参阅图书馆与出版商访问指南。