适用人群

保存论文，也留住它的发表日期

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。

论文在哪一步丢了出处

你在浏览器里读了一篇预印本，存了下来；三个月后再看，笔记里既没有发表时间，也看不出读的是哪个版本。摘要页早已更新到 v3，参考文献链接变成了指向原网页的失效锚点，作者一栏写着 “Skip to main content”，因为剪藏工具抓了页面上第一个粗体字符串。

日期是最麻烦的，因为出错时毫无动静。把保存当天写进笔记的剪藏工具，生成的文件看起来没问题，实际上是错的。一年后，两百篇笔记里哪些是真实的发表日期、哪些只是你碰巧阅读的那一天，已经分不清：文件里没有任何东西能把两者区分开。

原文和思考最后散落在不同的地方。文献管理软件存着元数据，笔记软件存着你的批注，而你批注的那段原文哪边都没有。写论文时回头去找，一半的链接跳到了付费墙：当初你是通过学校的机构账号读的，那次登录早已过期。把原文本身和你对它的笔记放在同一个文件里，这一趟往返就彻底省掉了。

笔记里记下了什么

• 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。
• 参考文献链接变成 [^1] 脚注，脚注内容统一收在笔记末尾。
• 作者字段经过过滤：章节标题、期刊名称和按钮文字不会被当成作者。
• extraction 字段记录提取途径：dom 表示来自渲染后的网页，jsonld-articlebody 表示网页没有渲染完成、正文取自结构化数据。
• 发表日期和剪藏日期不会混在一起：网页的日期是 frontmatter 里的字段，你剪藏的那天是文件名里的 {date}，两者有意分开存放。
• 在实测的 512 个网页上，残留的 HTML 标签为零，所以粘贴进稿件的段落不会夹带多余的 span 或半截图注。

---
title: "Attention Is All You Need"
source: "https://arxiv.org/abs/1706.03762"
author: "Ashish Vaswani, Noam Shazeer, Niki Parmar"
date: "2017-06-12"
extraction: "dom"
---

The dominant sequence transduction models are based on complex recurrent or
convolutional neural networks.[^1]

[^1]: Submitted 12 June 2017. Comments: 15 pages, 5 figures.

为读论文做好设置

默认设置是为快速读文章调校的。文献文件夹需要的恰恰相反：保留所有元数据字段，并且在归档之前先看一眼结果。

1. 点击扩展程序图标，打开设置，把保存位置设为项目资料所在的文件夹：稿件旁边的 sources/，或 vault 中的某个文件夹。
2. “点击图标时”保持为打开窗口（预览窗口），不要改成“存到文件夹”。对论文来说这个窗口很值得：文件生成之前，你能在这里确认日期和作者有没有真的提取出来。
3. 把文件名模板设为 {domain}-{title}。预印本服务器、期刊和机构知识库上的同一篇论文标题相同，却是三份不同的文献；在文件夹列表里，要靠域名才能区分。
4. 打开所有 frontmatter 字段，包括 extraction。这个字段在这里比在任何场景都重要：jsonld-articlebody 表示正文来自网页的结构化数据而不是渲染出的内容，两者并不总是同一个版本。
5. 图片保持“保留为链接”。插图往往就是论证本身，链接至少说明这里有过一张图；直接跳过，就悄悄抹掉了论文有插图这件事。
6. 摘要页和全文 HTML 页都存在时，分别剪藏。两者带的元数据不同：摘要页通常有 citation_date 标签，全文页则有参考文献。
7. 第一次剪藏某个没用过的出版方网站后，看一下 date 字段。如果为空，说明该网站的标记里没有日期，任何设置都变不出日期来。

文献文件夹的推荐设置

这张表的重点不是速度，而是确保两年之后，文件依然说得清自己从哪里来、是怎么得到的。

---
title: "不同测序平台间变异检测的可重复性"
source: "https://example-journal.org/articles/vc-repro"
author: "M. Ilves, R. Okonkwo"
date: ""
extraction: "jsonld-articlebody"
---

## 摘要

对于长度超过 8 个碱基的插入缺失，平台间的一致性低于 0.90；
而在测试的全部四个流程中，碱基替换的检测结果均一致。

三种典型用法

引用之后内容变了的预印本

你在 3 月读了某篇预印本的 v1 并剪藏下来。到了 9 月，摘要页显示的是 v3：结果部分重写了，还多了两位作者。你再剪藏一次，第二个文件会加上数字后缀，而不会覆盖第一个。

现在用任何 diff 工具都能看清，你引用的版本和读者打开同一网址看到的版本之间，哪些论断变了。没有 3 月那份文件，你连“有东西变了”都无法证明：网址一模一样，而网页只显示它现在的样子。

要机构登录才能看的全文

你在校园网内，或者通过图书馆登录，文章就能正常显示。扩展程序读取的是浏览器已经渲染出的内容，所以全文和其他网页一样能剪藏，参考文献会变成 [^1] 脚注，统一收在笔记末尾。

半年后这一点就显出价值了：登录已经过期，同一个链接开始要你付费。而那段原文、作者和日期都在你磁盘上的文件里，文件的任何部分都不依赖订阅是否还有效。

写论文时，资料就在同一个文件夹

稿件放在 paper/，剪藏的资料放在 paper/sources/。稿件里的每一处引文都能对照原文件核实，不用打开浏览器；参考文献列表需要的网址和日期，就是文件开头的两行。

因为都是纯文本，在文件夹里用 grep 一搜，就能回答文献管理软件回答不了的问题：不是你存了哪些论文，而是其中哪几篇真的用过某个说法。

和常见的文献阅读方式对比

大多数人已经在用其中两三种。诚实地比较，不是说它们不行，而是每种方式丢掉的东西各不相同。

元数据没提取出来时

日期字段为什么是空的？

网页上没有扩展程序能识别的日期。它先找 citation_date 和 citation_publication_date（arXiv、PubMed 和 IEEE 使用的标签），再依次找 JSON-LD 的 datePublished、article:published_time、time[datetime] 和 Unix 时间戳。这些都不存在时，字段留空，不会填成今天：文献文件夹里一个看似合理的错误日期，总是在最要命的时候才被发现。

论文明明有作者，作者字段却是空的？

作者提取会读取结构化数据和署名标记，再过滤掉常见的误判：章节标题、期刊名称、“authority control” 区块和按钮文字。有些出版方把作者列表放在由 JavaScript 渲染的组件里，完全没有署名标记，过滤之后什么也不剩。留空是有意为之：在不止一个剪藏工具里，作者一栏都出现过 “Skip to main content”。

为什么只剪下了摘要，没有全文？

你剪藏的是摘要落地页，对大多数预印本服务器和期刊来说，这个页面确实只有摘要。全文在另一个网址，通常是同一页面上的“全文”“HTML”或“阅读”链接。把那个页面也剪藏下来：两个页面带的元数据不同，值得存成两个文件。

公式为什么不见了？

以图片形式渲染的数学公式会保留为图片链接；如果你把图片设成了“跳过”，公式就会完全消失。出版方用文本渲染公式时，字符会原样保留。扩展程序不会转换成 LaTeX：它读取网页渲染出的内容，不会从公式图片里还原符号。

它做不到的事

它读取的是 HTML，不是 PDF：只有 PDF 版本的论文，扩展程序无法转换。它不获取 BibTeX，也不生成引用键；frontmatter 是元数据，不是参考文献条目。以图片形式渲染的数学公式仍然是图片链接。还有些网站的标记里根本不写日期，遇到这种网站，字段会留空而不是靠猜：这是诚实的结果，但字段终究是空的。

常见问题