Rozšíření pro Chrome
Uložit webovou stránku jako Markdown, který nemusíte uklízet
Kliknete na ikonu a uložený text je hotový – název, autor, datum vydání a adresa zdroje ve frontmatteru, tělo bez navigace. Všechno se odehraje uvnitř prohlížeče: bez účtu, bez serveru, bez telemetrie.
Problém nikdy není v převodu. Problém je všechno, co přijde s ním.
Markdown z HTML udělá každý clipper. Pak poznámku otevřete a najdete v ní cookie lištu, boční menu, seznam „čtěte dále“ a tabulku, která se cestou rozsypala. Clean Clipper je postavený přesně kolem toho, aby tohle zmizelo – a to odstraňování je změřené, ne jen tvrzené.
co si nechají jiné clippery
[Přejít na obsah](#main) [Přihlásit se](/login) [Registrovat](/registrace) [Úvod](/) [Zprávy](/zpravy) [Sport](/sport) [Kultura](/kultura) [Více](/vice) Používáme cookies a podobné technologie, abychom vám web přizpůsobili. [Přijmout vše] [Nastavit předvolby] # Článek, kvůli kterému jste přišli První odstavec vlastního textu. <div class="promo-inline"> ## Čtěte dále [Jiný titulek](/a) [Ještě jeden titulek](/b) [A třetí](/c)
co skončí v poznámce
# Článek, kvůli kterému jste přišli První odstavec vlastního textu.
Čím je výstup čistý
- Kód si nese jazyk. Blok vyjde označený jako
js, ne holý, takže zvýraznění funguje hned po vložení. - Tabulky zůstanou celé. Buňka s kódem nebo seznamem už řádek nerozbije.
- Poznámky pod čarou opravdu fungují. Z odkazů na reference se stane
[^1]s definicemi na konci poznámky, ne mrtvé kotvy. - Datum se čte, nehádá. JSON-LD,
article:published_time,citation_date(standard arXiv, PubMed a IEEE),time[datetime], unixová razítka. Když stránka datum neuvádí – a české weby ho často neuvádějí – pole zůstane prázdné, nikdy se nedoplní dnešek. - Menu, bannery a „čtěte dále“ jdou pryč. Pásy log, stránkování a navigace opakovaná v každé sekci se do poznámky nedostanou.
- Ani jedna zbylá značka. Žádný
divanitableuprostřed textu.
---
title: "Markovův řetězec – Wikipedie"
source: "https://cs.wikipedia.org/wiki/Markovův_řetězec"
date: "2005-03-11T20:41:07.000Z"
extraction: "dom"
---
Markovův řetězec je posloupnost náhodných veličin, u níž pravděpodobnost
přechodu do dalšího stavu závisí pouze na stavu současném, nikoli na tom,
jak systém do tohoto stavu dospěl.[^1]
[^1]: Prášková, Z.; Lachout, P. (2012). Základy náhodných procesů.
Praha: Karolinum. s. 1–146.Změřeno na 512 stránkách z nejnavštěvovanějších webů
Dva prohony. První vzal 109 stránek ze stovky nejnavštěvovanějších webů světa a Ruska a porovnal výstup se třemi jinými nástroji na extrakci. Druhý vzal padesátku nejnavštěvovanějších webů ve dvanácti evropských zemích – dalších 403 stránek, každou zachycenou v jazyce dané země.
Kam se ukládá
- Zkopírovat Markdown do schránky
- Stáhnout soubor
.md - Zapsat do složky, kterou jste si vybrali na disku
- Zapsat rovnou do vaultu v Obsidianu – bez pluginu, bez lokálního REST API, bez URI schématu; soubor se prostě objeví
Kliknutí na ikonu se dá nastavit. Buď zůstane u okna s náhledem, nebo z něj uděláte jeden pohyb, který poznámku odloží do vaultu a neotevře vůbec nic.
Poctivě o zdroji
Každá poznámka je označená polem extraction. dom znamená, že text pochází z toho, co prohlížeč skutečně vykreslil. jsonld-articlebody znamená, že se stránka nikdy nedovykreslila a tělo se muselo přečíst z jejích vlastních strukturovaných dat. A když na stránce žádný článek není – e-shop, výpis, výsledky hledání – rozšíření to řekne, místo aby vám vysypalo tři sta odkazů.
Patnáct způsobů, jak se to používá
VývojářiBloky kódu si nechávají značku jazyka, takže vložená dokumentace se hned obarví.
Clean Clipper přečte jazyk bloku přímo ze stránky – z třídy ohrazení, z rodičovského prvku nebo ze značek, které za sebou nechal zvýrazňovač – a zapíše ho do ohrazení. Na technickém korpusu tak značka přežila v 73 blocích ze 156, proti 20 a 0 u dvou porovnávaných nástrojů.
- Blok vyjde jako ```python, ne holý – zvýraznění v Obsidianu, VS Code i na GitHubu funguje hned po vložení
- Jazyk se z kódu nehádá: čte se třída, kterou nechal zvýrazňovač daného webu, takže značka je přesně tak správná jako zdrojová stránka
- Tabulka s kódem nebo seznamem v buňce se už nesloží do jediného řádku
Uživatelé ObsidianuVyberete složku ve vaultu a jedno kliknutí tam poznámku zapíše. Obsidian nemusí běžet.
Clean Clipper zapíše soubor .md přímo do složky, ke které mu jednou dáte přístup, přes File System Access API prohlížeče. Žádný komunitní plugin, žádný lokální server, žádné odkazy obsidian://. Obsidian si soubor převezme, až se do vaultu příště podívá.
- Žádný plugin, žádný lokální server, žádné odkazy
obsidian:// - Obsidian nemusí být spuštěný – soubor tam prostě je, až ho příště otevřete
- YAML frontmatter s poli title, source, author, published a extraction, a vy si vybíráte, která z nich nechat
AI a jazykové modelyOpakovaná navigace je vyhozený kontext. Odstraní se dřív, než se text dostane k modelu.
Každý zdvojený řádek menu, cookie lišta i seznam „čtěte dále“ se v okně modelu počítají jako kontext a přetahují si pozornost. Na korpusu 109 stránek zbylo po Clean Clipperu 102 zdvojených řádků navigace tam, kde tři jiné nástroje nechaly 282, 478 a 491, a zbylých HTML značek nula.
- Zhruba čtyřikrát méně zdvojených řádků navigace než průměr tří porovnávaných nástrojů
- Nula zbylých HTML značek – model se nemusí prokousávat cizí syntaxí
- YAML frontmatter dá modelu adresu zdroje a datum vydání natvrdo, ne mezi řádky
VýzkumDatum se čte z metadat stránky, poznámky pod čarou skončí jako poznámky, ne mrtvé kotvy.
Clean Clipper hledá datum tam, kde ho stránka uvádí: v citation_date, tedy ve standardu, který posílá arXiv, PubMed i IEEE, dál v JSON-LD, v article:published_time a v time[datetime]. Odkazy na reference převede na poznámky [^1] s definicemi na konci souboru. Když stránka datum neuvádí, pole zůstane prázdné.
- Čte
citation_dateacitation_publication_date– meta značky, které posílá arXiv, PubMed a IEEE - Dál JSON-LD
datePublished,article:published_time,time[datetime]a unixová razítka - Když datum na stránce není, pole zůstane prázdné; dnešek se do něj nikdy nedoplní
StudentiPřednášky, kapitoly skript i definice do obyčejných souborů Markdown, které vám zůstanou.
Označíte pasáž a uloží se jen ta; neoznačíte nic a uloží se celá stránka. Výsledkem je soubor .md na vašem disku s adresou zdroje v hlavičce, takže se čte i po konci semestru, offline a bez přihlášení do školního systému.
- Označíte pasáž a uloží se jen ta – hodí se na vytažení jedné definice nebo jednoho vzorce
- Přepínač nahoře v okně vždycky ukazuje, jestli se díváte na výběr, nebo na celou stránku
- Každá poznámka nese adresu zdroje, takže citování později nestojí žádné hledání
AutořiKaždé uložení si nese adresu zdroje, autora a datum vydání, takže citát neztratí původ.
Rešerše se ukládá jako Markdown s YAML frontmatterem: název, autor, datum vydání a adresa zdroje v hlavičce, tělo článku bez navigace. Autor se přitom filtruje, aby v poli neskončil nadpis sekce ani popisek tlačítka.
- Název, autor, datum vydání a adresa zdroje ve frontmatteru každé poznámky
- Autor se filtruje: nadpisy sekcí, názvy rubrik a popisky tlačítek se do pole nedostanou
- Datum se bere z metadat stránky; když ho stránka neuvádí, pole zůstane prázdné
NovinářiStránka zachycená tak, jak jste ji viděli, s datem vydání a ve formátu, který přežije web.
Uložení nese adresu zdroje, datum vydání, autora a celý text článku, a leží na vašem disku, ne ve službě, která může skončit. Datum se čte z metadat stránky; když ho stránka neuvádí, pole zůstane prázdné, aby se do záznamu nedostal údaj, který nikdo netvrdil.
- Datum vydání čtené z metadat stránky, ne odhadnuté z textu; když ho stránka neuvádí, pole zůstane prázdné
- Autor z metadat, včetně agenturních značek, s odfiltrovanými falešnými nálezy
- Adresa zdroje ve frontmatteru každé poznámky
Právní praxeText tak, jak byl publikován, s adresou zdroje a datem, v souboru, který máte vy.
Uvnitř těla článku se nepřidává, neubírá ani nepřehazuje jediné slovo – mění se jen zápis z HTML na Markdown. Kopie nese adresu, ze které pochází, a datum, pokud ho stránka uvádí, takže je z ní záznam o tom, co text říkal ve chvíli, kdy jste ho četli.
- Doslovný text – rozšíření nic neshrnuje, nepřepisuje ani nepřehazuje
- Adresa zdroje ve frontmatteru, a datum vydání tam, kde ho stránka uvádí
- Tabulky sazeb, lhůt a limitů převod přežijí celé: 12 z 15 na měřeném korpusu, proti 7 u porovnávaných nástrojů
AnalyticiVlastní serializace tabulek: buňka se seznamem nebo kódem už řádek nerozbije.
Clean Clipper si tabulky vypisuje sám místo obecného pluginu, protože právě na nich se převodníky lámou. Na měřeném korpusu tak zůstalo celých 12 tabulek z 15, proti 7 u každého porovnávaného nástroje, a rozvržovací mřížky se rozbalí místo reprodukce.
- Vlastní serializace tabulek do GFM místo obecného pluginu
- Dvanáct tabulek z patnácti zachováno na technickém korpusu, proti sedmi u každého porovnávaného nástroje
- Buňka se seznamem nebo blokem kódu se zploští, ne zahodí – řádek zůstane celý
UčiteléUložte materiál, nechte si zdroj, vytiskněte ho nebo vložte do příprav – bez výbavy webu.
Tlačítko tisku vytiskne uložený text, ne stránku, takže na podkladu nezůstane menu, cookie lišta ani reklama. Adresa zdroje zůstává v poznámce, takže uvedení pramene nedá práci, a stejným postupem se ukládá jedno cvičení i celá kapitola.
- Tlačítko tisku, které tiskne uložený text, ne stránku
- Režim čtení ukáže výsledek bez značek Markdownu, takže hned vidíte, co dostanou žáci
- Adresa zdroje zůstává v poznámce, takže uvedení pramene nedá práci
PřekladateléNavigace, bannery ani opakovaná menu se do seznamu segmentů vůbec nedostanou.
Text ze stránky se odřízne od výbavy webu ještě před importem, takže se z položek menu nestanou segmenty, které musíte přeskakovat. Zdvojených řádků navigace zůstalo na měřeném korpusu 102 tam, kde tři jiné nástroje nechaly 282, 478 a 491.
- Menu, stránkování a bloky „čtěte dále“ odříznuté před exportem
- Zdvojených řádků navigace zhruba čtyřikrát méně než průměr porovnávaných nástrojů
- Obyčejný Markdown se importuje do všech větších CAT nástrojů
Produktoví manažeřiChangelogy, dokumentace a poznámky k vydání jako datované poznámky, ve kterých se dá hledat.
Uložený changelog nese datum ze stránky, adresu zdroje a celé znění, takže se z posbíraných stránek stane korpus, ve kterém se hledá fulltextem. Tabulky tarifů a limitů převod přežijí, takže se dají porovnávat vedle sebe.
- Datum vydání čtené ze stránky, takže záznam v changelogu si nese skutečné načasování
- Pravidla pro weby pošlou každého konkurenta do vlastní složky s vlastním nastavením
- Tabulky tarifů, limitů a srovnání zůstanou celé – 12 z 15 na měřeném korpusu
Technická dokumentaceStruktura, bloky kódu i tabulky přejdou; výbava webu kolem nich ne.
Migrace dokumentace obvykle znamená převést HTML a pak dlouho odstraňovat to, co si převodník nechal. Právě tohle odstraňování je změřená část: nula zbylých HTML značek napříč 512 stránkami a 102 zdvojených řádků navigace proti 282, 478 a 491 u tří jiných nástrojů.
- Nadpisy, seznamy, tabulky, bloky kódu i poznámky pod čarou mají standardní protějšek v Markdownu
- Značky jazyka zůstávají u bloků kódu: 73 ze 156 na technickém korpusu, proti 20 a 0
- Nula zbylých HTML značek napříč 512 změřenými stránkami
Osobní archivObyčejné soubory Markdown na vlastním disku. Bez účtu, bez služby, bez čehokoli, co skončí.
Uložení je samotný text ve formátu, který nemá majitele ani datum spotřeby, na místě, které určíte vy. Rozšíření neposílá žádné síťové požadavky, takže archiv nezávisí na tom, jestli nějaká služba běží – ani na tom, jestli se rozšíření dál udržuje.
- Trvanlivý otevřený formát – čistý text s YAML frontmatterem
- Bez účtu a bez serveru: rozšíření neposílá vůbec žádné síťové požadavky
- Datum vydání i adresa zdroje uložené spolu s textem
Čtení bez šumuRežim čtení ukáže text bez menu, bez bannerů a bez značek Markdownu.
Okno s uloženým textem ukáže samotný článek, ve světlém nebo tmavém motivu podle prohlížeče, a neběží v něm žádné skripty ze stránky. Uložený soubor je čistý text, se kterým si poradí odečítač i jakýkoli jiný asistivní nástroj.
- Režim čtení vykreslí uložený text jako běžný text, bez značek Markdownu
- Menu, bannery, lišty pro sdílení a bloky „čtěte dále“ se do textu nedostanou vůbec
- Řídí se světlým i tmavým nastavením prohlížeče