内部机制 · 更新于 2026年9月16日 · Evgeny K.

Clean Web Clipper 如何提取文章，又在哪里止步

Clean Web Clipper 分四步提取文章，全部在你正在看的页面中运行：找到文章，去掉页面杂项，转换为 Markdown，对没有文章的页面予以拒绝。提取流程从不调用服务器；扩展程序唯一通信的地址是我们的统计端点。

它如何在页面上找到文章？

扩展程序首先查找文章通常所在的那些明显容器。如果没有这样的容器（很多真实网站确实没有），它就改为测量文本密度：哪个区块包含最多不在链接中的段落文本。仍然包含几乎全部这些文本的最窄区块胜出。

如果一个区块的文本大多是链接文字，那它是菜单或信息流，不是文章，会被排除；除非它包含超过大约 1200 个字符的真实文本，因为长文章本来就可能包含很多链接。

去掉菜单、横幅和重复的导航

接着去掉已知的非内容元素：导航、横幅、分享栏、Cookie 提示、分页器、“相关阅读”信息流和 Logo 条。重复的行也会被删除，因为在每个版块都重复出现的导航，是剪藏页面中最大的噪音来源。

[跳到正文](#main) [登录](/login) [注册](/register)
[首页](/) [新闻](/news) [体育](/sport) [文化](/culture) [更多](/more)

我们使用 Cookie 及类似技术来改善你的体验。
[全部接受] [管理偏好]

# 你要看的那篇文章

正文真正的第一段。

<div class="promo-inline">

## 相关阅读
[另一个标题](/a) [又一个标题](/b) [还有第三个](/c)

# 你要看的那篇文章

正文真正的第一段。

把表格、代码和脚注转换为 Markdown

表格由扩展程序自己序列化，而不是交给通用插件，因为通用转换器遇到包含列表或代码块的单元格就会出错。代码块的语言取自页面自身的标记。引用链接会在清理器删除它们所依赖的 id 之前，被收集为 Markdown 脚注：顺序很重要，一旦弄错，所有脚注都会悄无声息地丢失。同样 109 个页面上每个引擎保留了多少表格，见基准测试页面。

它什么时候回答“没有文章”？

商品页、信息流或搜索结果页上没有文章。扩展程序会检查生成好的 Markdown：如果其中超过四分之一位于链接文字中，它就报告“没有文章”，而不是给你三百个链接。这种拒绝是有意为之的，这也是这里的字符数比总会返回点什么的工具更低的原因。如果它拒绝了一篇真正的文章，请把那个页面的地址发给我们。

了解它不做什么

• 不下载图片、视频或其他二进制资源：图片链接指向原网站
• 不抓取整站：一次一个页面，就是你当前所在的页面；一次剪藏多个标签页已列入心愿单
• 不做摘要，也不改写：文章文本只做转换，不做编辑
• 不在浏览器保护的页面上运行，例如 chrome:// 页面和扩展程序商店本身

查看常见问题的解答