Web Content Extraction

Purpose

Webページ本文を抽出し、LLMが読みやすい Markdown/JSON に整形する。 Claude Code が Webページ、URL、公式ドキュメント、ブログ記事、ニュース記事、OSSページを読む場合は、原則として毎回このSkillを使う。

Mandatory Rule

When reading any public web URL, use Defuddle first.

Do not summarize, analyze, compare, or review a web page from raw HTML unless Defuddle extraction fails or the page type is explicitly unsupported.

Use Cases

• URL要約 / 公式ドキュメント確認 / OSS調査
• ブログ記事分析 / ニュース記事分析 / 競合サイト分析
• ベンダー公式ブログの調査 / Web上の一次情報確認
• 技術記事の読み取り / LLM・RAG向けのWeb本文抽出

Standard Commands

# 公開URLを取得して本文をMarkdown/JSON化（SSRFガードあり）
~/.claude/skills/web-content-extraction/scripts/run-node.sh \
  ~/.claude/skills/web-content-extraction/scripts/defuddle-url.mjs <url>

# ローカルHTMLファイルを本文抽出（外部通信なし）
~/.claude/skills/web-content-extraction/scripts/run-node.sh \
  ~/.claude/skills/web-content-extraction/scripts/defuddle-file.mjs <file>

出力は JSON（stdout）。最低限 success, url, fetchedAt/parsedAt, title, author, site, domain, published, description, wordCount, content(Markdown) を含む。 warnings / fetchWarnings がある場合は抽出の信頼性に注意する。

Output Fields

フィールド	意味
success	本文抽出に成功したか（false は抽出失敗/空）
warnings	本文が短い・空など低信頼の警告
url / requestedUrl / finalUrl	対象URL（リダイレクト後の最終URL含む）
fetchedAt / parsedAt	取得・解析時刻（ISO8601, 監査用に必ず保持）
title author site domain published description	メタデータ
wordCount	語数（空白区切り。日本語は極端に小さく出る）
charCount	非空白の文字数（日本語の実分量はこちらで判断）
cjkCharCount	CJK文字数（日本語/中国語/韓国語の量の目安）
content	本文（HTMLはMarkdown、PDFはプレーンテキスト）
extractorType	サイト固有抽出器が使われた場合の種別
extractorEngine	PDF抽出時のみ "pdf"。pageCount も付く

Security Rules

• 同期コア + 非フェッチDOM で動作する（useAsync はupstreamに存在しないため意図を構造で担保）。
• 外部フォールバック・サブリソース外部取得・ページ内スクリプト実行は行わない。
• 社内URL、顧客URL、認証付きURL、個人情報・機密を含むページを外部送信しない。
• localhost / プライベートIP(10/8,172.16/12,192.168/16,127/8,169.254/16,100.64/10 等) / .local/.internal 等 / 単一ラベルの内部ホスト名 / 非http(s) / 認証情報付きURL は標準で拒否。
• IP判定はバイト単位。10進/8進/16進 IPv4 も拒否。IPv6はdefault-deny（グローバルユニキャスト 2000::/3 以外は全拒否。Teredo/site-local/documentation/NAT64/IPv4-mapped/6to4(private埋め込み)等を含む）。
• 接続IPをpin（guarded undici dispatcher）して DNSリバインディング/TOCTOU を封じる。
• リダイレクトは手動追従し各ホップを送信前に再検査。本文はストリームでサイズ上限（メモリDoS対策）。
• 開発用途で明示的に許可する場合のみ ALLOW_PRIVATE_URLS=true（バイパスは stderr に監査記録）。
• 抽出結果には必ず URL と取得日時を残す。
• 抽出結果だけを唯一の真実として扱わない。重要な事実は一次情報で再確認する。

Failure Handling

• Defuddle抽出に失敗した場合は、必ず「Defuddle抽出失敗」と明示する。
• 不完全な抽出結果（success:false や warnings あり）で断定しない。
• 必要なら以下の代替手段を検討する:
  • raw HTML取得 / GitHub raw / 公式API / Playwright(MCP) / PDF専用抽出 / 手動確認
• 代替手段を使った場合は、Defuddleではなく代替手段を使ったことを明示する。

PDF対応

公開URLが PDF（content-type: application/pdf / .pdf / 先頭 %PDF-）の場合、defuddle-url.mjs は自動で pdfjs-dist によるテキスト抽出にフォールバックする（extractorEngine:"pdf", pageCount 付き）。

• 日本語/CJK PDF も文字化けしない（fsベースのCMapReaderFactoryで packed CMap を解決）。
• content はMarkdownでなくプレーンテキスト。
• スキャン画像のみのPDFは charCount:0＋警告 → OCRが必要（本Skillの対象外）。
• ローカルPDFファイルは現状未対応（defuddle-file.mjs はHTML専用）。

Tests

cd ~/.claude/skills/web-content-extraction && ./scripts/run-node.sh --test

test/url-guard.test.mjs（SSRFガード）/ test/defuddle-core.test.mjs（charCount）/ test/extract-smoke.test.mjs（実抽出スモーク: HTML+PDF）/ test/defuddle-url.test.mjs（URL CLI exit code契約）を実行。DNS非依存・オフラインの 決定的テストのみ。CIは .github/workflows/skill-web-content-extraction.yml（Node 22/24 マトリクス）。

自動アップデート

web-content-update feature が有効な場合のみ、SessionStart フックで依存（defuddle/jsdom/pdfjs-dist/undici）の更新を確認する。npm test 通過時のみ採用、失敗時は自動ロールバックする。手動実行は npm run update:deps。詳細は README 参照。

Unsupported or Caution Cases

• 認証が必要なページ / 社内・顧客・非公開ページ / 個人情報・機密を含むページ
• JavaScript必須のSPA（初期HTMLに本文がない） / PDF
• robots.txt や利用規約に反する大量取得

PDFやGitHubリポジトリなど、Defuddleだけでは不十分な対象では適切な専用手段を併用する。

Implementation Notes (重要・現実との差分)

本Skillは defuddle の実API検証に基づく（0.6.x で検証、0.18.x で再確認。依存は自動更新）。当初設計（linkedom / useAsync:false）からの逸脱:

• linkedom は使用不可: defuddle/node は jsdom 専用(peerDependency)。linkedom では getComputedStyle/メディアクエリ評価が未実装で例外となり、ノイズ除去に失敗する（実証済み）。 → jsdom を採用。
• useAsync は存在しない（0.6.x–0.18.x の dist 全体に出現なし）。意図（非同期外部取得をしない）は 「同期 parse() + resources:'usable' を付けないDOM + スクリプト非実行」で構造的に担保。
• defuddle/node に文字列を渡すと内部JSDOMが resources:'usable' で外部フェッチするため、 本Skillは自前で安全オプションのJSDOMを構築して渡し、外部取得を防いでいる。