Repolode
Enviar
laiso

laiso/site2pdf

Ferramenta CLI que percorre um site e reúne todas as páginas em um único PDF, voltada a pipelines de RAG e QA.

Ver no GitHub
Estrelas
321
Forks
34
Issues abertas
7
Último commit
há 3 meses

O que é?

site2pdf parte de uma URL principal e coleta os links dessa página que correspondem a uma regex ou padrão de texto opcional (por padrão, links do mesmo domínio). Em seguida, renderiza cada página em PDF usando o Chrome headless e reúne os arquivos em um único documento com pdf-lib. O resultado é salvo em ./out/ com o nome do domínio do site.

O principal caso de uso é preparar conteúdo de sites para ferramentas de IA que aceitam o envio de arquivos, como o Google NotebookLM ou GPTs personalizados no ChatGPT. Como as páginas são renderizadas em um navegador, as imagens e a formatação são preservadas, o que ajuda modelos multimodais. As páginas são processadas em paralelo para acelerar a geração.

A ferramenta funciona com Node.js 22.12 ou posterior e usa Puppeteer. Por isso, precisa de um binário do Chrome ou Chromium, que pode ser informado pela flag --executablePath ou pela variável CHROME_PATH.

Recursos principais

  • 01Percorre links do mesmo domínio a partir de uma URL inicial, com filtragem opcional por regex ou texto.
  • 02Renderiza cada página em PDF no Chrome headless, preservando imagens e formatação.
  • 03Reúne todas as páginas em um único PDF usando pdf-lib.
  • 04Processa páginas em paralelo para acelerar a geração.
  • 05Aceita um caminho personalizado para o Chrome por flag ou variável de ambiente.

Casos de uso

  • Reunir sites de documentação de produtos ou APIs em um único arquivo para usar no NotebookLM ou em um GPT personalizado.
  • Criar uma cópia offline única de uma seção da documentação para arquivamento.
  • Fornecer conteúdo de sites como fonte documental para um pipeline de RAG.

Início rápido

  1. 1

    Execute a ferramenta diretamente com npx (requer Node.js v22.12 ou posterior)

    npx site2pdf-cli https://example.com
  2. 2

    Encontre o PDF gerado na pasta out

Antes de usar

  • Requer Node.js v22.12 ou posterior e, no Linux, bibliotecas adicionais do sistema para o Puppeteer.
  • Em alguns sistemas, como ARM64 Linux, o Chrome pode não iniciar; nesse caso, pode ser necessário instalar um navegador manualmente.

Em coleções

Ferramentas de CLI e terminalFerramentas de PDF, OCR e documentosGeradores de sites estáticos e ferramentas de documentação

Tópicos

#pdf#web-scraping#rag#puppeteer#cli#typescript#documentation

Perguntas frequentes

O que é site2pdf?
Ferramenta CLI que percorre um site e reúne todas as páginas em um único PDF, voltada a pipelines de RAG e QA. site2pdf parte de uma URL principal e coleta os links dessa página que correspondem a uma regex ou padrão de texto opcional (por padrão, links do mesmo domínio). Em seguida, renderiza cada página em PDF usando o Chrome headless e reúne os arquivos em um único documento com pdf-lib. O resultado é salvo em ./out/ com o nome do domínio do site.
site2pdf é gratuito? Qual é a licença?
site2pdf é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
site2pdf ainda é mantido?
Atualizado nos últimos 6 meses. O último commit de site2pdf foi em 21 de ago. de 2026.
Para que posso usar site2pdf?
Reunir sites de documentação de produtos ou APIs em um único arquivo para usar no NotebookLM ou em um GPT personalizado. Criar uma cópia offline única de uma seção da documentação para arquivamento. Fornecer conteúdo de sites como fonte documental para um pipeline de RAG.
Como instalar site2pdf?
Execute a ferramenta diretamente com npx (requer Node.js v22.12 ou posterior): npx site2pdf-cli https://example.com Encontre o PDF gerado na pasta out
Onde consigo site2pdf?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/laiso/site2pdf

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados