🇮🇹 Italiano | 🇬🇧 English

Web Clipper CLI

Trasforma qualsiasi URL in Markdown pulito, deduplicato e pronto per Obsidian — rendering con Chrome headless + estrazione Defuddle, poi una passata opzionale di recupero via LLM. Nessuna estensione del browser richiesta.

Un toolkit Node.js che riproduce — e migliora — l'Obsidian Web Clipper ufficiale, da riga di comando. Gli dai un URL; lui rende la pagina col Chrome che hai già installato, toglie il rumore e scrive un .md con frontmatter in una cartella a tua scelta — pronto da mettere in un vault Obsidian o da dare in pasto a un LLM.

È deliberatamente agnostico rispetto al sito: nessun selettore o scraper specifico per sito. Ogni regola si aggancia a pattern web universali (ruoli ARIA, marcatori di classe delle librerie di carousel, stili calcolati, dati strutturati), così lo stesso codice funziona su uno store Shopify, un blog o una scheda prodotto senza casi speciali.

È anche portabile: copia la cartella clipper/ in qualsiasi progetto, puntala alla tua cartella di output (una variabile d'ambiente, un flag o un file di config) e parte — Windows, macOS o Linux, senza modifiche al codice.

I due modi per usarlo

Ci sono due livelli. Puoi fermarti al livello 1 — è completamente deterministico, gratuito e non richiede alcun LLM.

Livello	Cosa gira	Cosa ottieni	Costo
1. Deterministico	`node clip.mjs <url>`	Un `.md` pulito + un sidecar di "candidati" (testo visibile che l'estrattore ha scartato)	Gratis, offline, adatto a run non presidiati
2. Ibrido (consigliato)	La skill `/clip`: livello 1 + un giudice LLM che recupera i contenuti davvero in-topic scartati per errore, poi un controllo qualità	Lo stesso `.md`, ma più completo — con righe di specifiche, didascalie di feature, ecc. recuperate	Qualche chiamata LLM (in cache)

Il livello 2 esiste perché nessuno scraper deterministico può decidere "contenuto vero vs clutter" su ogni sito — serve giudizio. Così il livello 1 va sul sicuro (non inventa mai), raccoglie in un sidecar tutto ciò di cui non era certo, e il livello 2 lascia che un LLM si pronunci su quegli scarti. Il .md di base è sempre valido di per sé; il giudice si limita ad aggiungere.

Come funziona (la pipeline ibrida)

          ┌──────────────────────── LIVELLO 1 (deterministico, clip.mjs) ────────────────────────┐
  URL ──▶ │ Chrome headless → settle/idratazione → chiusura cookie → autoscroll → espansione      │
          │ collassati → estrazione Defuddle (strategia A/C + prune R1–R5) → scrive .md pulito +   │
          │ livello commerciale JSON-LD                                                            │
          └───────────────┬──────────────────────────────────────────────────────┬───────────────┘
                          │                                                        │
                   raw/<nome>.md (fonte di verità)                 clipper/.candidates/<nome>.json
                          │                                       (blocchi visibili scartati da Defuddle)
                          │                                                        │
          ┌───────────────┴──────────────── LIVELLO 2 (ibrido, skill /clip) ───────┴───────────────┐
          │  clip-judge (LLM) tiene/scarta ogni candidato per rilevanza rispetto all'argomento      │
          │        → merge-candidates.mjs ricuce i keep nel .md (deterministico)                     │
          │        → lint-clip.mjs (check gratuiti) → clip-inspector (LLM) solo se il lint segnala    │
          │        → verdetti in cache per hash del contenuto, così i re-clip costano quasi nulla     │
          └────────────────────────────────────────────────────────────────────────────────────────┘
                          │
                   raw/<nome>.md (ora completo)

Livello 1 — l'estrattore deterministico (`clip.mjs`)

Chrome headless. puppeteer-core avvia il Chrome che hai installato (nessun download incorporato) a 1366×900.
Naviga + settle. Carica su domcontentloaded (molti store tengono aperte socket di analytics, quindi networkidle non scatta mai), aspetta un'ancora di contenuto, poi una attesa anti-skeleton: campiona la pagina finché non resta alcun elemento skeleton/shimmer/aria-busy e il testo del body è stabile, con un tetto duro di 8s.
Classifica la pagina. Gli interstitial anti-bot (Cloudflare "Just a moment…", DataDome, "Access Denied") vengono rifiutati con un errore chiaro — non si scrive nulla, nessuna evasione. I soft-paywall si clippano ma vengono segnalati (meta.paywall: true).
Chiude cookie/consenso. CMP noti (OneTrust, Cookiebot, Didomi) più un fallback testuale rigoroso che clicca solo veri pulsanti di consenso. Un guard-rail ripristina la pagina se un click porta altrove.
Autoscroll + cattura liste virtualizzate. Un MutationObserver installato per primo registra il testo dei nodi aggiunti durante lo scroll, così le righe che le liste virtualizzate (react-window & co.) smontano poi non vanno perse. Poi scorre fino in fondo per caricare i contenuti lazy e torna su.
Espande i contenuti collassati. Apre i <details> chiusi, clicca i toggle accordion aria-expanded="false" e i pulsanti multilingua "mostra di più" / "carica altro" (it/en/de/fr/es) — fuori da nav/header/footer, mai link, selettori di tab o consenso. È ciò che rende estraibili i valori di specifica nascosti negli accordion. Le tab inattive non vengono cliccate (nasconderebbero quella attiva); i loro pannelli si leggono direttamente dal DOM.
Estrae con Defuddle (A/C + prune R1–R5). Il DOM viene ripulito in modo agnostico — cloni di carousel (R2), contatori a odometro (R3), nodi nascosti a basso testo (R1, preservando i veri contenuti collassati), heading duplicati (R4) — poi Defuddle gira sia sul documento intero (A) sia su una regione a densità massima isolata (C); un punteggio di qualità della prosa sceglie il vincitore. R5 ricuce il testo hero animato parola per parola. Ogni passo di prune è a prova di mutazione (rimozioni idempotenti, isolate) così i re-render SPA non fanno crashare la passata.
Livello commerciale. Prezzo, disponibilità, valutazione e recensioni si leggono dal JSON-LD schema.org (con fallback OpenGraph e microdata nel DOM) in una sezione ## Dati commerciali etichettata con la fonte reale.
Scrive + misura. Scrive <outDir>/<nome>.md con frontmatter identico al Web Clipper, e un sidecar clipper/.candidates/<nome>.json con i blocchi visibili scartati da Defuddle (per il livello 2) più una metrica di copertura testo (meta.coverage).

Livello 2 — recupero LLM + QA (la skill `/clip`)

Gira solo in modalità ibrida; vedi .claude/skills/clip/SKILL.md.

Giudizio (agente clip-judge). Legge il sidecar dei candidati e l'argomento della pagina, e ritorna keep/discard per candidato in base alla rilevanza — tiene titoli/ didascalie/frasi di specifica davvero in-topic, scarta nav, promo, cookie, cross-sell, boilerplate. Nessuna conoscenza specifica del sito.
Merge (merge-candidates.mjs, deterministico). Ricuce i keep nel .md: sotto un heading corrispondente quando esiste, altrimenti ricostruiti per tag sotto un'unica sezione ## Approfondimenti. Deduplica rispetto al testo esistente, marca la provenienza, è idempotente (sicuro da rieseguire).
QA — lint poi inspect. lint-clip.mjs esegue 11 check deterministici gratuiti (heading orfani, residui "leggi tutto", troncamenti, etichetta-senza-valore, copertura…). Solo se segnala qualcosa entra l'agente clip-inspector, che ragiona sul risultato e suggerisce recuperi. Lint pulito → zero token extra.
Cache. Ogni verdetto è messo in cache tramite lo SHA-256 del testo del candidato, così ri-clippare la stessa pagina (o una che condivide blocchi) è deterministico e quasi gratuito.

Ciclo di automiglioramento (self-improve)

Ogni run del livello 1 emette — best-effort, a costo zero sul .md — un record diagnostico strutturato in clipper/.diagnostics/ (sidecar per-clip <nome>.diag.json + registro append-only runs.jsonl): stadi in timeout/errore, copertura, percorso di estrazione, verdetto boilerplate, paywall/anti-bot, esiti fatali. A fine run — solo in modalità ibrida e solo se il record segnala errori — la skill /clip invoca l'agente clip-doctor, che pesa l'errore sullo storico recente (ricorrente vs una-tantum, per non gridare al lupo su una pagina rotta isolata) e propone fix agnostici ranked (codice o prompt di un agente), mappati sulla tassonomia di SELF-IMPROVE.md. Nulla viene applicato senza ok esplicito dell'utente: l'implementazione passa dal workflow verify+review (nessuna riscrittura silenziosa, nessun auto-commit). In --deterministic-only la diagnostica si scrive comunque, ma l'agente non gira. Il toggle è CLIP_DIAGNOSTICS (attivo di default).

Avvio rapido

cd clipper
npm install
node clip.mjs "https://example.com/un-articolo"
# → scrive ../raw/<Titolo Articolo>.md  (e clipper/.candidates/<Titolo Articolo>.json)

Questo è il livello deterministico. Per il livello ibrido, esegui la skill /clip dalla tua sessione Claude Code invece di chiamare clip.mjs direttamente (orchestra il giudice, il merge e la QA per te).

Uso

URL singolo (deterministico)

node clip.mjs <url> ["nome file esplicito senza .md"] [--out <dir>]

Con un nome esplicito, il clip viene scritto in <outDir>/<nome>.md.
Altrimenti il titolo della pagina viene sanitizzato nel nome file, esattamente come fa il Web Clipper.
--out <dir> sovrascrive la cartella di output per questo run (vedi Configurazione).

Tramite lo script npm:

npm run clip -- <url> ["nome file"]

Il tool stampa esattamente dove ha scritto, così gli script (e la skill /clip) possono catturare i path invece di indovinarli:

Scritto: <path assoluto del .md>
  candidati emessi: <N> -> <path assoluto del sidecar dei candidati>

Ibrido (consigliato)

In una sessione Claude Code:

/clip <url> [nome]                      # estrai + giudica + merge + QA
/clip <url> [nome] --deterministic-only # solo .md di base, nessun LLM (costo zero)

Batch

PowerShell — un URL per riga in urls.txt:

Get-Content urls.txt | Where-Object { $_ -and -not $_.StartsWith('#') } | ForEach-Object {
    node clip.mjs $_
}

bash:

grep -v '^#' urls.txt | while read -r url; do [ -n "$url" ] && node clip.mjs "$url"; done

Ogni URL viene clippato in un proprio avvio di Chrome; il browser viene sempre chiuso in un blocco finally, così una pagina che fallisce non lascia mai un processo appeso né blocca il resto del batch.

Configurazione

Nulla è obbligatorio — i default funzionano. Tutto ciò che segue è opzionale e a livelli: flag CLI > variabile d'ambiente > clipper.config.json > default interno.

Cartella di output (dove finisce il `.md`)

Metodo	Esempio	Path risolto rispetto a
Flag CLI	`node clip.mjs <url> --out "D:/MioVault/raw"`	cartella di lavoro corrente
Variabile d'ambiente	`CLIP_OUT_DIR="D:/MioVault/raw"`	cartella di lavoro corrente
File di config	`"outDir": "../raw"` in `clipper.config.json`	la cartella `clipper/`
Default	(nessuno impostato) → `../raw`	la cartella `clipper/`

Il default ../raw significa: la cartella raw/ accanto a clipper/. Quindi se tieni clipper/ come sottocartella del tuo vault, i clip finiscono in <vault>/raw/ senza alcuna configurazione.

Eseguibile Chrome

Metodo	Esempio
Variabile d'ambiente	`CHROME_PATH="/usr/bin/google-chrome"` (oppure `PUPPETEER_EXECUTABLE_PATH`)
File di config	`"chromePath": "/usr/bin/google-chrome"`
Auto-discovery	(nessuno impostato) → path noti per il tuo OS (Windows/macOS/Linux), poi `channel:'chrome'` di puppeteer

Serve impostarlo solo se Chrome è installato in un percorso non standard. Su un'installazione normale viene trovato automaticamente su tutti e tre gli OS.

Sicurezza

Il clipper renderizza pagine web non fidate, quindi adotta alcune difese di default:

Sandbox di Chrome ATTIVO. Il processo renderer (che esegue il codice della pagina) gira dentro il sandbox del sistema operativo. Se un ambiente particolare (es. container/CI eseguito come root) impedisce l'avvio del sandbox, lo si può disattivare in modo esplicito: CLIP_NO_SANDBOX=1. Su un normale desktop non va disattivato.
Solo URL http/https. Schemi come file:, data:, chrome:, view-source: sono rifiutati, così il clipper non può leggere file locali o risorse non-web. localhost e gli IP interni restano ammessi (uso locale legittimo).

Variabile d'ambiente	Effetto
`CLIP_NO_SANDBOX=1`	Disattiva il sandbox di Chrome (opt-in per container/CI root). Default: sandbox attivo.
`CLIP_STAGE_TIMEOUT_MS=<ms>`	Timeout hard per ogni stadio della pipeline (chiusura cookie, scroll, espansione, guard-rail). Impedisce gli hang quando un iframe/promise non si risolve mai (tipico con URL carichi di parametri ads: `gclid`/`utm_`/`gad_`). È una rete di sicurezza contro gli hang da minuti, non una soglia stretta: sta sopra lo stadio legittimo più lento (l'autoscroll su pagine molto lunghe). Default: `180000`.
`CLIP_DIAGNOSTICS=0`	Disattiva la scrittura della diagnostica per-run (registro di automiglioramento). Default: attiva (best-effort, non altera l'output `.md` né rallenta il clip).
`CLIP_DIAG_DIR=<dir>`	Cartella del registro diagnostica. Default: `clipper/.diagnostics`.

Il file di config (opzionale)

Copia clipper.config.example.json in clipper.config.json e modificalo. Tutti i campi sono opzionali:

{
  "outDir": "../raw",     // dove vanno i file .md (relativo a clipper/, o assoluto)
  "chromePath": null,     // null = auto-discovery; oppure un path esplicito
  "vault": null,          // riservato per futura integrazione con la CLI ufficiale (vedi sotto)
  "attachmentsDir": null  // riservato per quando sarà cablato il download immagini/OCR
}

clipper.config.json è ignorato da git (è specifico dell'utente/macchina); versiona solo il file .example.

Uso responsabile

Il clipper scarica e converte contenuti pubblicati da terzi. Sei tu responsabile del rispetto dei Termini di Servizio, del robots.txt e del copyright dei siti che clippi. Il tool è pensato per uso locale e interattivo: non esporlo come servizio di rete — gli URL verso localhost e gli IP interni sono ammessi by design proprio perché il modello d'uso è la tua macchina, avviato da te. Le pagine protette da anti-bot vengono rifiutate con un errore, mai aggirate.

Portarlo in un altro progetto / vault

Il clipper è pensato per essere copiato. Ecco tutto ciò che serve sapere — basato su come funziona davvero Obsidian, non su supposizioni.

1. Cos'è "un vault Obsidian". Un vault è semplicemente una cartella su disco. Obsidian la osserva: nel momento in cui un file .md compare al suo interno, Obsidian lo indicizza automaticamente — link, backlink, tag e properties del frontmatter inclusi. "Obsidian aggiorna automaticamente il vault per stare al passo con qualsiasi modifica esterna." → Non c'è alcun comando di "ingest" o "aggiornamento" da lanciare. Scrivere il file nella cartella del vault È l'intera procedura.

2. Quindi portarlo è una sola impostazione. Punta outDir a una cartella dentro il vault di destinazione (es. <vault>/raw o <vault>/Clippings). Tre modi equivalenti:

# a) tieni clipper/ come sottocartella del vault — zero config, usa il default ../raw
# b) variabile d'ambiente:
CLIP_OUT_DIR="/percorso/al/Vault/Clippings" node clipper/clip.mjs <url>
# c) file di config: imposta "outDir" in clipper.config.json

3. Passi per inserirlo in un nuovo progetto:

Copia la cartella clipper/. (Per il livello ibrido, copia anche .claude/skills/clip/ e .claude/agents/clip-judge.md + clip-inspector.md.)
cd clipper && npm install.
Imposta outDir (o affidati al default ../raw). Imposta CHROME_PATH solo se serve.
Esegui node clip.mjs <url> — fatto.

4. Cosa non è incluso, di proposito. Il compito del clipper finisce con "un .md pulito nella tua cartella". Trasformare quei clip in pagine wiki strutturate (riassumere, creare cross-link, aggiornare un indice) è logica specifica del tuo progetto — cambia da vault a vault ed è tenuta deliberatamente fuori da questo pacchetto, così il clipper resta agnostico e riutilizzabile.

5. Opzionale: la CLI ufficiale di Obsidian. Obsidian offre un comando ufficiale obsidian (Obsidian 1.12.7+, abilitalo in Impostazioni → Generali). Può aprire una nota, impostare properties, cercare, ecc. — mirando a un vault per nome (obsidian vault="Mio Vault" open file="…") o per la cartella di lavoro del terminale. Richiede che Obsidian sia in esecuzione e non è necessario per far comparire un clip (vedi punto 1). Il campo vault nel config è riservato a una futura integrazione opzionale; oggi il clipper si limita a scrivere il file.

Formato di output

Ogni file si apre con un blocco YAML il cui ordine dei campi e le regole di rendering combaciano esattamente col template di default dell'Obsidian Web Clipper:

---
title: "<titolo>"
source: "<URL completo compresa la query string>"
author:
  - "[[<autore>]]"          # wikilink; oppure `author:` nudo quando Defuddle non ne trova
published: 2026-06-20      # data, senza virgolette; `published:` nudo se vuoto
created: 2026-06-30        # data odierna al momento del clip
description: "<descrizione>"
tags:
  - "clippings"
---
<corpo Markdown estratto>

Regole di rendering (riprodotte dal Web Clipper):

testo (title, source, description): key: "value", virgolette interne con escape; key: nudo quando vuoto.
wikilink (author): lista a blocco con un solo elemento - "[[value]]" (nodo collegabile nel grafo Obsidian anziché testo semplice); author: nudo quando vuoto. Autori multipli non vengono separati euristicamente: l'intera stringa diventa un unico target del wikilink.
data (published, created): YYYY-MM-DD senza virgolette; key: nudo se vuoto.
multitesto (tags): lista a blocco, ogni voce - "value". tags è letteralmente clippings.
source = URL completo con query string (viene rimosso solo il frammento #:~:text=…).
created = oggi al runtime. published = il primo segmento del valore di Defuddle.

Sezioni del corpo

Il corpo è il Markdown Defuddle della strategia vincente, ripulito da R1–R5, con le immagini preservate come ![](url-assoluto). La struttura editoriale (heading, feature, tabelle di specifiche, recensioni) è mantenuta; navigazione, chrome dei cookie, cloni di carousel e testo frammentato sono rimossi.

## Approfondimenti (solo ibrido) — blocchi in-topic che l'estrattore aveva scartato e il giudice ha promosso, ricostruiti in ordine di lettura. Presente solo quando il giudice recupera contenuto orfano.
## Dati commerciali — aggiunta solo quando esistono dati strutturati: prezzo, prezzo di listino, valuta, disponibilità, valutazione aggregata, numero di recensioni e una tabella per recensione — da JSON-LD (con fallback OpenGraph / microdata), con una nota di provenienza che indica la fonte.

I componenti (file per file)

File	Ruolo	Esegue
`clip.mjs`	L'estrattore deterministico. URL → `.md` pulito + sidecar candidati.	Node CLI
`merge-candidates.mjs`	Merge deterministico dei keep del giudice nel `.md`. Idempotente.	Node CLI
`lint-clip.mjs`	11 check gratuiti di completezza/qualità sul `.md` finale. Output `--json`.	Node CLI
`score-clip.mjs`	Valuta un `.md` rispetto a una checklist di stringhe attese (benchmark).	Node CLI
`ocr.mjs`	Scaffold per l'OCR del testo incorporato nelle immagini. Non ancora cablato in `clip.mjs`.	Node (WIP)
`.claude/agents/clip-judge.md`	Agente LLM: tiene/scarta i candidati per rilevanza. Agnostico.	Claude Code
`.claude/agents/clip-inspector.md`	Agente LLM: ragiona sul clip finale per lacune di completezza.	Claude Code
`.claude/agents/clip-doctor.md`	Agente LLM: diagnostica gli errori di un run e propone fix agnostici ranked. Non applica.	Claude Code
`.claude/skills/clip/SKILL.md`	Orchestra la pipeline ibrida (estrai → giudica → merge → QA → cache → self-improve).	Claude Code
`SELF-IMPROVE.md`	Tassonomia agnostica dei failure-mode → classe di rimedio ammesso.	Doc

Generati a runtime (ignorati da git): .candidates/ (sidecar + verdetti), .judge-cache/ (verdetti content-addressed), .ocr-cache/, .diagnostics/ (record per-run + registro runs.jsonl).

Esempi CLI standalone:

node lint-clip.mjs "../raw/Mio Clip.md" "clipper/.candidates/Mio Clip.json" --json
node merge-candidates.mjs "../raw/Mio Clip.md" ".candidates/Mio Clip.json" ".candidates/Mio Clip.verdicts.json" "../raw/Mio Clip.md"

Confronto con le alternative

Confronto illustrativo su un singolo caso reale (scheda prodotto, luglio 2026): non è un benchmark sistematico.

Basato su un audit a 3 vie della stessa scheda prodotto (Dreame L50). Questo clipper ha prodotto l'unico output strutturato e deduplicato (~535 righe utili) contro le ~1925 righe di Apify e le ~2678 di Firecrawl, che includono anche navigazione, script e markup non editoriale.

Capacità	Web Clipper CLI (questo)	Obsidian Web Clipper (ufficiale)	Apify	Firecrawl
Motore	Chrome headless + Defuddle + recupero LLM	Estensione in-browser + Defuddle	Crawler cloud	Crawler cloud + LLM
Render JS / idratazione	Sì (autoscroll + settle)	Sì (la tua tab live)	Sì	Sì
Recupera il contenuto scartato dall'estrattore	Sì (giudice sui candidati)	No	No	No
Rumore / dedup	Forte (R1–R5, scorer A/C)	Moderato	Non prevista (output integrale)	Non prevista (output integrale)
Frontmatter	Sì, identico al Web Clipper	Sì	No	No
Livello commerciale (prezzo/valutazione/recensioni)	Sì (JSON-LD + microdata)	No	Solo nell'output integrale, non strutturato	Solo nell'output integrale, non strutturato
QA di completezza (lint + inspector)	Sì	No	No	No
Gira headless / non presidiato	Sì	No (serve la UI del browser)	Sì (cloud)	Sì (cloud)
OCR (testo nelle immagini)	Pianificato	No	No	Parziale
Costo	Gratis / locale (+ LLM se ibrido)	Gratis	SaaS a pagamento	SaaS a pagamento

Firecrawl e Apify includono i dati commerciali perché restituiscono la pagina integrale. Questo progetto recupera gli stessi dati in forma strutturata (JSON-LD) e usa un LLM per recuperare il contenuto editoriale che una passata deterministica scarta — mantenendo l'output essenziale.

Risoluzione problemi

Sintomo	Causa	Soluzione
`Could not find Chrome` / avvio fallito	Chrome non in un path standard	Imposta `CHROME_PATH` (o `chromePath` nel config) sull'eseguibile Chrome/Chromium.
`PAGINA BLOCCATA da anti-bot` e nulla scritto	La pagina è dietro una sfida anti-bot (Cloudflare, DataDome…)	Per scelta — nessuna evasione. Clippala a mano da una sessione browser reale.
Clip scritto ma scarno; warning sul paywall	Soft-paywall rilevato (`meta.paywall: true`)	Il testo visibile può essere solo l'anteprima gratuita. Nulla di più è recuperabile senza login.
`copertura testo: NN%` bassa	Molta pagina è media, virtualizzata o dietro interazioni	Usa la modalità ibrida: il giudice recupera i candidati scartati. Controlla il sidecar per vedere cosa è stato raccolto.
Clip degenerato in boilerplate cookie/consenso	Il muro di consenso non è stato chiuso	Lo script rifiuta di scriverlo (esce con codice non-zero). Riprova, o clippa a mano.
Valori di specifica mancanti su una scheda prodotto	Erano dentro un accordion/tab collassato	Già gestito da `expandCollapsed` + harvest tab nascoste; se ancora manca, il valore è probabilmente reso solo dopo un click che il tool evita — controlla il sidecar dei candidati.
`clipper.config.json ignorato (JSON non valido)`	JSON del config malformato	Correggi il JSON; nel frattempo il tool usa i default.
Cartella di output sbagliata	C'è un override attivo	Ricorda la precedenza: `--out` > `CLIP_OUT_DIR` > `clipper.config.json` > `../raw`.
`Schema non consentito`	Hai passato un URL non http/https (`file:`, `data:`, …)	Per sicurezza sono ammessi solo `http`/`https`. Per leggere un file locale, servilo via un server http.
Chrome non parte in un container/CI (root)	Il sandbox non si avvia come root	Imposta `CLIP_NO_SANDBOX=1` (opt-in). Su desktop lascia il sandbox attivo.
Il clip si blocca a lungo su "Chiusura banner cookie…" (o un altro stadio)	Un iframe/promise di quello stadio non si risolve mai — tipico con URL pieni di parametri di tracking (`gclid`/`gbraid`/`utm_`/`gad_`) che caricano iframe pubblicitari	Ogni stadio ha ora un timeout hard: regola `CLIP_STAGE_TIMEOUT_MS` (default 180000 ms). In genere basta ri-clippare con l'URL pulito, senza parametri di tracking.

Requisiti

Node.js ≥ 22.12 (sviluppato su Node v24, npm 11).
Google Chrome o Chromium installato. Trovato automaticamente su Windows/macOS/Linux; sovrascrivi con CHROME_PATH se è in un percorso non standard.
Qualsiasi OS — Windows, macOS, Linux.

Dipendenze pinnate: puppeteer-core@25.1.0, defuddle@0.19.0, jsdom@^25. puppeteer-core (non puppeteer) è una scelta deliberata: pilota il Chrome che hai già installato e non scarica alcun binario del browser.

Limitazioni

Il livello commerciale ha bisogno di dati strutturati. Prezzo/valutazione/recensioni vengono da JSON-LD, OpenGraph o microdata itemprop; pagine che non ne espongono nessuno non producono ## Dati commerciali.
Niente OCR. Il testo incorporato nelle immagini non viene ancora letto (scaffold in ocr.mjs).
Niente trascrizione video. I video sono tenuti solo come link/thumbnail.
Le pagine molto commerciali mantengono un po' di chrome d'acquisto. La base deterministica è la fonte di verità e non viene mai potata a posteriori; alcune sezioni promo/permuta possono restare. Il giudice si limita ad aggiungere i contenuti scartati; la potatura della base è in roadmap.
Le pagine anti-bot vengono rifiutate, non aggirate (per scelta).
I metadati dipendono dalla pagina. Su siti molto dinamici author/published possono risultare vuoti — comportamento atteso, identico al Web Clipper.
Le SPA con DOM molto instabile restano imprevedibili. Su pagine il cui contenuto cambia struttura da una sessione all'altra (feed raccomandati, varianti A/B, ordine dei commenti), l'euristica generica di isolamento del contenuto principale può occasionalmente agganciare la sezione sbagliata. Non esiste un rimedio agnostico affidabile al 100% per questi casi — selettori specifici del sito violerebbero la filosofia del progetto.

Roadmap

Vedi ROADMAP.md. Priorità a breve:

OCR per il testo incorporato nelle immagini.
Specifiche come tabelle GFM (da JSON-LD o tabelle HTML).
Promozione opzionale dei campi commerciali nel frontmatter (Dataview).

Già consegnato: pipeline di recupero ibrida (giudice + merge + QA), livello commerciale (JSON-LD + microdata), espansione contenuti collassati + "mostra di più", harvest tab nascoste e shadow-DOM, discovery Chrome cross-platform, cartella di output configurabile, portabilità.

Contribuire

Issue e PR sono benvenute. Mantieni intatto il principio fondante: le regole devono essere agnostiche rispetto al sito — agganciarsi a pattern web universali (ARIA, marcatori di classe delle librerie, stili calcolati, dati strutturati), mai selettori specifici per sito. Quando aggiungi una regola di pulizia, documenta quale failure mode affronta e perché non può mangiare contenuto legittimo, nello stile di R1–R5, con un esempio prima/dopo su una pagina reale.

Licenza

MIT — vedi LICENSE.

Obsidian, Defuddle, Puppeteer, Apify, Firecrawl e i prodotti citati come casi di test appartengono ai rispettivi titolari. Progetto indipendente, non affiliato ad alcuno di essi.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Web Clipper CLI

Indice

I due modi per usarlo

Come funziona (la pipeline ibrida)

Livello 1 — l'estrattore deterministico (`clip.mjs`)

Livello 2 — recupero LLM + QA (la skill `/clip`)

Ciclo di automiglioramento (self-improve)

Avvio rapido

Uso

URL singolo (deterministico)

Ibrido (consigliato)

Batch

Configurazione

Cartella di output (dove finisce il `.md`)

Eseguibile Chrome

Sicurezza

Il file di config (opzionale)

Uso responsabile

Portarlo in un altro progetto / vault

Formato di output

Sezioni del corpo

I componenti (file per file)

Confronto con le alternative

Risoluzione problemi

Requisiti

Limitazioni

Roadmap

Contribuire

Licenza

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

Web Clipper CLI

Indice

I due modi per usarlo

Come funziona (la pipeline ibrida)

Livello 1 — l'estrattore deterministico (clip.mjs)

Livello 2 — recupero LLM + QA (la skill /clip)

Ciclo di automiglioramento (self-improve)

Avvio rapido

Uso

URL singolo (deterministico)

Ibrido (consigliato)

Batch

Configurazione

Cartella di output (dove finisce il .md)

Eseguibile Chrome

Sicurezza

Il file di config (opzionale)

Uso responsabile

Portarlo in un altro progetto / vault

Formato di output

Sezioni del corpo

I componenti (file per file)

Confronto con le alternative

Risoluzione problemi

Requisiti

Limitazioni

Roadmap

Contribuire

Licenza

Livello 1 — l'estrattore deterministico (`clip.mjs`)

Livello 2 — recupero LLM + QA (la skill `/clip`)

Cartella di output (dove finisce il `.md`)