Chrome 扩展程序
把网页保存为不用再手动清理的 Markdown
点击图标，剪藏就已经完成：标题、作者、发布日期和来源收进 frontmatter，正文去掉了导航。一切都在你的浏览器中进行：无需账号，你剪藏的任何内容都不会上传到任何地方。
Clean Web Clipper 是一款免费的 Chrome 扩展程序，可以把网页保存为干净的 Markdown：复制到剪贴板、保存为 .md 文件、写入文件夹，或直接存入 Obsidian vault，无需账号，也无需登录。在访问量最高的网站上测试了 512 个页面：没有崩溃，提取出的文章中没有任何残留的 HTML 标签。
在全球访问量最高的网站上测试了 512 个页面
共进行了两轮测试。第一轮从全球和俄罗斯访问量最高的一百个网站中取了 109 个页面，把输出与另外三个提取引擎逐一对比。第二轮取了十二个欧洲国家各自排名前五十的网站：又是 403 个页面，每个页面都以该国语言抓取，只用我们的核心处理。引擎、版本、日期，以及它落后的地方
问题从来不在转换本身，而在转换时一起带进来的那些东西。
每个剪藏工具都会把 HTML 转成 Markdown。然后你打开笔记，发现里面有 Cookie 提示条、侧栏菜单、“相关阅读”列表，还有一个在转换途中散了架的表格。Clean Web Clipper 正是围绕去掉这些东西而设计的，而且去除的效果是测量出来的，不是嘴上说说。
其他剪藏工具保留的内容
[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)
最终进入笔记的内容
# 你要看的那篇文章 正文真正的第一段。
输出为什么干净
- 代码保留语言标签。 你得到的是标有
js的代码块，而不是光秃秃的代码块，所以粘贴后立即就有语法高亮。 - 表格保持完整。 单元格里有代码或列表时，整行也不会再坏掉。
- 脚注真正可用。 引用链接会变成
[^1]，定义放在笔记末尾，而不是失效的锚点。 - 日期是读取的，不是猜的。 JSON-LD、
article:published_time、citation_date（arXiv / PubMed / IEEE 使用的标准）、time[datetime]、Unix 时间戳。页面上没有日期，字段就留空，绝不填今天的日期。 - 菜单、横幅和“相关阅读”都会被去掉。 Logo 条、分页器，以及每个版块都重复出现的导航，都不会进入笔记。
- 没有一个残留标签。 正文中间不会夹着
div或table标记。
--- title: "马尔可夫链 - 维基百科，自由的百科全书" source: "https://zh.wikipedia.org/zh-cn/马尔可夫链" date: "2005-10-05T22:17:32.000Z" extraction: "dom" --- 马尔可夫链（英语：Markov chain），又称离散时间马尔可夫链（discrete-time Markov chain，缩写为DTMC），因俄国数学家安德烈·马尔可夫得名，为状态空间中 经过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质： 下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。
如何在 Chrome 中把网页保存为 Markdown
安装扩展程序后，只需三步。不需要事先做任何设置：默认情况下，点击图标会打开一个预览窗口，Markdown 已经生成好，可以直接复制或保存为文件。以后你也可以改为点击一次就把笔记直接写入文件夹或 vault，跳过预览。
- 固定图标。 打开地址栏旁边的拼图图标菜单，把 Clean Web Clipper 固定到工具栏。
- 打开你想保存的文章：是文章页面本身，而不是列出文章链接的页面。
- 点击图标。 Markdown 会出现在预览窗口中：复制它，或者保存为
.md文件。
保存到哪里
- 把 Markdown 复制到剪贴板
- 下载
.md文件 - 写入你在磁盘上选好的文件夹
- 直接写入你的 Obsidian vault：不需要插件，不需要本地 REST API，不需要 URI 协议，文件直接出现
点击图标后的行为可以设置。可以保留预览窗口，也可以设成点击一次就把笔记放进 vault，什么窗口都不打开。
如实标明来源
每篇笔记都带有一个 extraction 字段。dom 表示文本来自浏览器实际渲染出的内容。jsonld-articlebody 表示页面始终没有渲染完成，正文只能从页面自带的结构化数据中读取。而当页面上根本没有文章时，比如商品页、信息流或搜索结果页，扩展程序会直说，而不是把三百个链接倒给你。
它不做什么
- 不抓取整站，也不批量处理：一次一个页面，就是你当前所在的页面
- 不做摘要，也不改写：文本只做转换，不做编辑
- 不下载图片：图片链接指向原网站
十五种使用方式
开发者代码块保留语言标签，文档粘贴进笔记，语法高亮立刻生效。
Clean Web Clipper 从页面本身读出代码语言：代码块的 class、父元素，或者高亮库留下的标记，再把它写进 Markdown 代码块。在九个页面的技术语料上，156 个代码块中有 73 个保留了语言标签，两款对比引擎分别只有 20 个和 0 个。
- 代码块带着标签出来。 是 ```js，不是空的代码块：粘贴进 Obsidian、VS Code 或 GitHub，高亮马上就有。
- 语言是读出来的，不是猜出来的。 它来自网站自己的高亮库留下的 class，所以标签的准确程度和原页面一致。
- 单元格里带代码的表格保持完整：技术语料上 15 个表格保留了 12 个，对比的引擎各保留 7 个。
Obsidian 用户在 vault 里选好一次文件夹，之后点一下，笔记就写进去，Obsidian 不用开着。
Clean Web Clipper 通过浏览器的 File System Access API，自己把 .md 文件写进你的 vault。中间没有社区插件，没有本地 REST 服务，也没有 obsidian:// 链接，笔记写入时 Obsidian 不需要在运行。
- 不需要插件、本地服务或
obsidian://链接：浏览器把文件写进你授权的文件夹。 - Obsidian 不必开着。 下次打开时，笔记已经在那里了。
- YAML 属性包含
title、source、author、date和extraction，保留哪些由你决定。
AI 与大模型上下文页面上反复出现的导航也按 token 计费。文字交给模型之前，它们已经被删掉。
在 109 个页面的正面对比中，Clean Web Clipper 留下 102 行重复的导航，另外三个提取引擎分别留下 282、478 和 491 行，而且完全没有残留的 HTML 标签。送到模型面前的，是文章正文，外加一段写明来源网址和发布日期的属性头。
- 重复导航大约只有对比引擎平均值的四分之一：102 行重复，对比引擎分别是 282、478 和 491 行。
- 在测试的 512 个页面上，残留的 HTML 标签为零：模型没有任何需要绕开的标记。
- 属性头写明来源网址和发布日期，所以一个说法可以被准确归属，而不是靠猜。
研究人员直接读取 citation_date（arXiv、PubMed、IEEE 输出的标签），并把参考文献链接变成脚注。
保存下来的论文如果没有发表日期，日后引用时就得重新去查。Clean Web Clipper 从网页自身的元数据里读取日期，而不是从正文里猜；网页上没有日期时，这个字段就留空，不会填成今天。
citation_date和citation_publication_date（arXiv、PubMed 和 IEEE 输出的 meta 标签）会被直接读取。- 也读取 JSON-LD 的
datePublished、article:published_time、time[datetime]和 Unix 时间戳，按这个优先顺序。 - 网页上没有日期，字段就留空，绝不填成今天的日期。
学生把课件、教材章节和参考网页剪藏成 Markdown 文件，课程账号停用之后，文件依然在你手里。
学期一结束，课程资料就会消失：链接失效，课程页面被归档，研讨课的阅读材料换了地址。存在你自己磁盘上的 Markdown 文件不会，十年后用任何编辑器都能打开，来源网址也还在文件里。
- 先选中一段文字，就只剪藏选中内容：只要一个定义、不要整页时就这么做。
- 每篇笔记都带来源网址，以后引用不用再找。
- 阅读视图把剪藏显示为普通文字，保存之前看不到 Markdown 符号。
写作者每次剪藏都带着标题、作者、发表日期和来源网址，引文的出处跟着文字走。
用截图和书签收集的资料，到了需要注明出处的那一刻就用不上了。Markdown 文件把标题、作者、日期和网址与正文放在同一个文件里，核查事实时随手就能找到。
- 每篇笔记的 frontmatter 里都有
title、author、date和source，出处和正文待在一起。 - 作者字段经过过滤：章节标题、刊物名称和按钮文字不会被当成署名。
- 只保留文章正文：订阅框、分享栏和“延伸阅读”栏不会进入笔记。
记者你读到的原文、网址和发布日期，保存为你自己磁盘上的一个文件。
网页会被修改，也会被删除。一次剪藏会保存全文、来源网址，以及页面自己声明的发布日期，存成一个由你保管的普通文件，而不是放在一个可能关停、改规则或悄悄丢失记录的服务里。
- 发布日期取自页面自身的元数据：JSON-LD、
article:published_time、time[datetime]，而不是从正文里猜。 - 来源网址写在每条笔记的 frontmatter 里。
- 文章全文，去掉每次访问都在变的导航和推广版块。
法律工作条文按发布时的原样保存，附来源网址和日期，存进由你掌控的文件。
法规、服务条款和官方指引会在不另行通知的情况下变动。一份带着来源网址和页面声明日期的 Markdown 副本，记录的是你阅读当天这段文字的原话。
- 逐字保留原文：正文中没有任何内容被概括、改写或调换顺序。
- 来源网址和页面声明的发布日期 写在每条笔记的 frontmatter 里。
- 费用、期限和门槛表格 由扩展程序自己序列化：在技术语料上保住了 15 个表格中的 12 个，参与对比的每个引擎各保住 7 个。
分析师单元格里有代码、列表或链接，整行也不再散架：15 个表格保住 12 个。
通用的 HTML 转 Markdown 转换器，偏偏在最要紧的表格上出错：单元格里带列表、链接或代码示例的那种。Clean Web Clipper 自己序列化表格，把单元格内容压平，而不是丢掉整行。
- 专门为此编写的 GFM 表格序列化器，而不是给通用转换器外挂的插件。
- 技术语料上 15 个表格保住 12 个，参与对比的每个引擎各保住 7 个。
- 参差不齐的两列表格 转成加粗的键和值，而不是一张散架的网格。
教师只要材料，不要网站本身：打印出来的纸上没有菜单、没有 Cookie 提示栏，也没有广告。
直接从浏览器打印网页，菜单、Cookie 提示栏和广告都会一起印到讲义上。剪藏只留下正文，来源网址写在文件里，注明出处不必再多花功夫。
- 打印按钮打印的是剪藏内容，而不是它周围的整个网页。
- 阅读视图把结果显示为普通文本，不带 Markdown 符号，打印或保存之前就能看到。
- 选中一道练习或一个定义，只剪藏这一部分。
译者菜单、横幅和重复的导航，一行都不会进入句段列表。
从网页粘贴过来的原文会带着导航，每个菜单项都变成一个句段：要跳过，要计数，最后还得在账单上解释。Clean Web Clipper 在文件进入你的工具之前就把它们去掉。
- 菜单、分页器、Cookie 提示栏和“继续阅读”信息流，在文件生成之前就被去掉。
- 重复的导航大约只剩四分之一：与参与比较的引擎相比，重复的菜单行是 102 行，对方分别是 282、478 和 491 行。
- 512 个实测网页中，残留的 HTML 标签为零，不会有零散的标记变成内嵌标签。
产品经理把更新日志、文档和发布说明剪藏成可以搜索、对比和引用的文件。
存成书签的竞品调研，会慢慢退化成一串搜不了的链接。剪藏成 Markdown 之后，它就成了一个语料库：可以用 grep 搜索，可以和上季度的采集做 diff，也可以连同日期一起引用到决策文档里。
- 发布日期从网页读取，更新日志条目保留真实的时间，而不是你发现它的那一天。
- 按网站规则自动把每个竞品放进各自的文件夹。
- 定价和限额表格保持完整：技术语料中的 15 个表格保留了 12 个，参与比较的引擎各为 7 个。
技术写作者标题、表格、代码块和脚注都能带过来，网站的导航和外壳留在原处。
迁移文档通常是先把 HTML 转换一遍，再花更长的时间删掉转换器留下的东西。Clean Web Clipper 正是围绕这一步设计的，也是经过测量的部分：512 个页面中残留的 HTML 标签为零。
- 标题、列表、表格、代码块和脚注都对应为标准 Markdown。
- 代码块保留语言标记：在技术语料上，156 个代码块中保留了 73 个，对比的引擎分别为 20 个和 0 个。
- 残留的 HTML 标签为零，共测量 512 个页面。
个人存档存在你自己硬盘上的纯 Markdown 文件。不要账号，不依赖服务，也就没有什么会被关停。
书签指向的页面会改动、会消失；稍后阅读服务会关闭、被收购，或者开始对导出收费。剪藏保存的是文字本身，格式不属于任何厂商，也没有过期一说，存放位置由你决定。
- 持久、开放的格式：带 YAML frontmatter 的纯文本，任何编辑器和
grep都能读。 - 不要账号，什么都不上传：你剪藏的内容留在你自己的硬盘上。
- 发布日期和来源 URL 与正文一起保存，多年以后仍能认出这篇笔记是什么。
无干扰阅读一个没有菜单、没有横幅、没有 Markdown 符号的阅读视图，跟随浏览器自己的主题。
页面上的附属元素不只是视觉上的杂乱：它们是读屏软件每次都要朗读、读者每次都要跳过的文字。剪藏窗口只显示文章本身，跟随浏览器的浅色或深色设置，而且不运行任何页面脚本。
- 阅读视图把剪藏显示为普通文本：没有 Markdown 符号，链接可以点击，标题是真正的标题。
- 它跟随浏览器的浅色和深色设置，而不是网站的配色。
- 遇到长文，窗口可以扩大到大约四分之三屏幕。