Vou deixar aqui pra integrar com alguma possível futura ferramenta.
Sim, talvez não vai valer só usar ele por que ele requer... Java. Eca.

Vou deixar aqui uma parada mt valiosa: um conjunto com vários extractors que ele usa.

https://github.com/internetarchive/heritrix3/tree/master/modules/src/main/java/org/archive/modules/extractor

GitHub

heritrix3/modules/src/main/java/org/archive/modules/extractor at master · internetarchive/heritrix3

Heritrix is the Internet Archive's open-source, extensible, web-scale, archival-quality web crawler project. - internetarchive/heritrix3