Chrome 擴充功能
把網頁存成不必再整理的 Markdown
按下圖示，擷取內容就已經準備好：標題、作者、發布日期和來源都收進 frontmatter，內文去掉了導覽列。一切都在你的瀏覽器中進行：不需要帳號，你擷取的內容也不會上傳到任何地方。
Clean Web Clipper 是一款免費的 Chrome 擴充功能，能把網頁儲存為乾淨的 Markdown：存到剪貼簿、.md 檔案、資料夾，或直接存進 Obsidian vault，不需要帳號，也不需要登入。在最多人造訪的網站上測試了 512 個頁面：沒有當機，擷取出的文章中也沒有任何殘留的 HTML 標籤。
在全球最多人造訪的網站上測試了 512 個頁面
共兩輪測試。第一輪取了全球與俄羅斯前一百大網站的 109 個頁面，把輸出與另外三個擷取引擎逐頁比較。第二輪取了十二個歐洲國家各自的前五十大網站：再加 403 個頁面，每一頁都以該國語言擷取，只用我們的核心執行。引擎、版本、日期，以及我們落後的地方
問題從來不在轉換，而在轉換時一起帶進來的一切。
每個擷取工具都能把 HTML 轉成 Markdown。然後你打開筆記，看到 Cookie 橫幅、側欄選單、「延伸閱讀」清單，還有一個在途中崩壞的表格。Clean Web Clipper 正是圍繞著移除這些東西而打造的，而且移除的效果經過測量，不只是宣稱。
其他擷取工具保留的內容
[跳到主要內容](#main) [登入](/login) [註冊](/register) [首頁](/) [新聞](/news) [體育](/sport) [文化](/culture) [更多](/more) 我們使用 Cookie 及類似技術來改善你的使用體驗。 [全部接受] [管理偏好設定] # 你要看的那篇文章 正文真正的第一段。 <div class="promo-inline"> ## 延伸閱讀 [另一則標題](/a) [再一則標題](/b) [還有第三則](/c)
最後存進筆記的內容
# 你要看的那篇文章 正文真正的第一段。
輸出為什麼乾淨
- 程式碼保留語言標籤。 你得到的是標記為
js的程式碼區塊，而不是沒有標籤的區塊，所以貼上的那一刻語法醒目提示就能運作。 - 表格保持完整。 儲存格中有程式碼或清單時，這一列不會再崩壞。
- 註腳真的能用。 參考連結會變成
[^1]，定義放在筆記結尾，而不是失效的錨點。 - 日期是讀出來的，不是猜的。 JSON-LD、
article:published_time、citation_date（arXiv／PubMed／IEEE 標準）、time[datetime]、Unix 時間戳。頁面上沒有日期，欄位就留空，絕不填上今天的日期。 - 選單、橫幅和「延伸閱讀」都會被刪除。 標誌列、分頁列，以及在每個段落重複出現的導覽，都不會進入筆記。
- 一個殘留標籤都沒有。 你的文字中間不會卡著任何
div或table標記。
---
title: "Markov chain - Wikipedia"
source: "https://en.wikipedia.org/wiki/Markov_chain"
date: "2002-07-07T05:14:15.000Z"
extraction: "dom"
---
A Markov chain is a stochastic process describing a sequence of possible
events in which the probability of each event depends only on the state
attained in the previous event.[^1]
[^1]: Gagniuc, Paul A. (2017). Markov Chains: From Theory to Implementation
and Experimentation. USA, NJ: John Wiley & Sons. pp. 1-235.如何在 Chrome 中把網頁存成 Markdown
安裝擴充功能，然後只要三個步驟。不需要事先設定：預設情況下，按一下會開啟預覽，Markdown 已經產生好，可以直接複製或存成檔案。之後你也可以讓一次點擊直接把筆記寫入資料夾或 vault，跳過預覽。
- 釘選圖示。 打開網址列旁邊的拼圖圖示選單，把 Clean Web Clipper 釘選到工具列。
- 打開你想保存的文章：是文章本身，而不是列出文章連結的頁面。
- 按下圖示。 Markdown 會出現在預覽視窗中：複製它，或儲存
.md檔案。
存到哪裡
- 把 Markdown 複製到剪貼簿
- 下載
.md檔案 - 寫入你在磁碟上選定的資料夾
- 直接寫入你的 Obsidian vault：不需要外掛、不需要本機 REST API、不需要 URI 協定；檔案就這樣出現
按下圖示的行為可以自訂。可以保留為預覽視窗，也可以讓一次點擊直接把筆記放進 vault，什麼視窗都不開。
誠實交代來源
每則筆記都帶有 extraction 欄位。dom 表示文字來自瀏覽器實際呈現的內容。jsonld-articlebody 表示頁面始終沒有完成呈現，內文必須從頁面自己的結構化資料讀取。而當頁面上根本沒有文章時，例如商店首頁、資訊流、搜尋結果，擴充功能會直接說明，而不是丟給你三百個連結。
它不做的事
- 不會爬取網站或批次處理：一次一頁，就是你正在看的那一頁
- 不會摘要或改寫：文字只做轉換，不做編輯
- 不會下載圖片：圖片連結指向原始網站
十五種使用方式
開發者程式碼區塊保留語言標籤，貼上的文件一落地就有語法醒目提示。
Clean Web Clipper 從頁面上讀取語言：來自程式碼區塊的 class、父元素，或語法醒目提示工具自己的標記，並把它寫進程式碼區塊。在一份九個頁面的技術語料上，語言標籤在 156 個程式碼區塊中保留了 73 個，比較的兩個引擎分別是 20 個和 0 個。
- 程式碼區塊帶有標籤。 是 ```js，不是空白的區塊：貼上的那一刻，Obsidian、VS Code 和 GitHub 就能醒目提示語法。
- 語言是讀出來的，不是猜的。 它來自網站自己的語法醒目提示工具留下的 class，所以標籤和來源頁面一樣正確。
- 儲存格中有程式碼的表格保持完整：技術語料上保留了 15 個中的 12 個，比較的引擎各保留 7 個。
Obsidian 使用者在 vault 裡選好資料夾一次；之後按一下就把筆記寫進去，Obsidian 關著也行。
Clean Web Clipper 透過瀏覽器的 File System Access API，自己把 .md 檔案寫進你的 vault。整條流程中沒有社群外掛、沒有本機 REST 伺服器，也沒有 obsidian:// 連結，筆記送達時 Obsidian 也不必開著。
- 不需要外掛、不需要本機伺服器、不需要
obsidian://連結：瀏覽器把檔案寫進你授權的資料夾。 - Obsidian 不必開著。 下次開啟時，筆記就在那裡。
- YAML frontmatter 包含
title、source、author、date和extraction，你可以選擇保留哪些。
AI 與 LLM 上下文頁面上重複的導覽是要付費的上下文。它會在文字送到模型之前被移除。
在一份 109 頁的語料上（逐頁比較那一輪），Clean Web Clipper 留下 102 行重複的導覽，另外三個擷取引擎分別留下 282、478 和 491 行，而且完全沒有殘留的 HTML 標籤。送到模型的是文章本身，加上一個註明來源網址和發布日期的 frontmatter 檔頭。
- 重複的導覽大約少了四倍，相較於比較引擎的平均：102 行重複，對比 282、478 和 491 行。
- 在 512 個測試頁面上沒有任何殘留的 HTML 標籤：模型不需要繞過任何東西。
- frontmatter 註明來源網址和發布日期，所以說法可以歸因，而不是被猜測。
研究人員讀取 citation_date（arXiv、PubMed 和 IEEE 輸出的標籤），並把參考文獻變成註腳。
沒有發布日期的論文存檔，是一條你之後得重建的引用。Clean Web Clipper 從頁面自己的中繼資料讀取日期，而不是從內文讀取；頁面沒有日期時，欄位會留空，而不是填上今天。
- 直接讀取
citation_date和citation_publication_date（arXiv、PubMed 和 IEEE 輸出的 meta 標籤）。 - 也讀取 JSON-LD
datePublished、article:published_time、time[datetime]和 Unix 時間戳，依此優先順序。 - 頁面上沒有日期，欄位就留空：絕不填上今天的日期。
學生把講義、章節和參考頁面擷取成 Markdown 檔案，比課程登入權限還長久。
學期結束時，課程資料就會消失：連結失效、課程頁面被封存、研討課的讀物被搬走。你自己磁碟上的 Markdown 檔案不會，十年後仍能用任何編輯器打開，裡面也還留著來源網址。
- 選取一段文字，就只擷取選取的部分：這是只拿一個定義、不要周圍整頁的方法。
- 每則筆記都帶有來源網址，之後引用不必再找。
- 閱讀檢視以一般文字顯示擷取內容，在儲存之前沒有 Markdown 符號。
寫作者標題、作者、發布日期和來源網址隨每次擷取一起保存，引文就不會失去出處。
以截圖和書籤收集的研究資料，在你需要標明出處的那一刻就不能用了。Markdown 檔案把標題、作者、日期和網址和文字放在同一個檔案裡，查核時隨手就能找到。
- 每則筆記的 frontmatter 都有
title、author、date和source，出處和文字放在一起。 - 作者欄位經過過濾：章節標題、刊物名稱和按鈕文字不會被當成署名。
- 只保留文章內文：電子報訂閱框、分享列和「延伸閱讀」區塊絕不會進入筆記。
記者你讀到時的文字，連同發布日期和網址，存在你自己磁碟上的檔案裡。
頁面會被修改，也會被撤下。擷取內容保存完整文字、來源網址和頁面自己宣告的發布日期，存在你保管的純文字檔案裡：而不是在一個可能關閉、更改條款或悄悄遺失紀錄的服務中。
- 發布日期從頁面自己的中繼資料讀取：JSON-LD、
article:published_time、time[datetime]，而不是從內文讀取。 - 來源網址放在每則筆記的 frontmatter 中。
- 完整的文章文字，不含每次造訪都會變的導覽和推廣區塊。
法律工作以發布時的原文保存，連同來源網址和日期，存在你掌控的檔案裡。
法規、服務條款和官方指引會在沒有通知的情況下改變。帶有來源網址和頁面宣告日期的 Markdown 副本，就是一份紀錄，說明你讀到它的那天，條文寫的是什麼。
- 逐字保留的文字：文章內文中沒有任何內容被摘要、改寫或重新排序。
- 來源網址和頁面宣告的發布日期放在每則筆記的 frontmatter 中。
- 費用、期限和門檻表格由擴充功能自己序列化：技術語料上保留了 15 個中的 12 個，比較的引擎各保留 7 個。
分析師儲存格中有程式碼、清單或連結時，這一列不再崩壞：15 個表格保留 12 個。
通用的 HTML 轉 Markdown 工具，偏偏在重要的表格上出錯：儲存格裡有清單、連結或程式碼範例的表格。Clean Web Clipper 自己序列化表格，把儲存格內容攤平，而不是丟掉那一列。
- 專為此撰寫的 GFM 表格序列化程式，而不是外掛上去的通用轉換器。
- 15 個表格保留 12 個（技術語料），比較的引擎各保留 7 個。
- 參差不齊的兩欄表格會變成粗體的鍵和值的行，而不是崩壞的網格。
教師只有教材，沒有周圍的網站：印出來的紙上沒有選單、沒有同意橫幅，也沒有廣告。
直接從瀏覽器列印網頁，會把選單、同意橫幅和廣告都印到講義上。擷取只帶走文字，來源網址保留在檔案裡，標明出處不必多花力氣。
- 列印按鈕印出的是擷取內容，而不是周圍的頁面。
- 閱讀檢視以一般文字顯示結果，在列印或儲存之前沒有 Markdown 符號。
- 選取一道練習或一個定義，只擷取那一部分。
譯者選單、橫幅和重複的導覽，絕不會進入句段清單。
從網頁貼上的原文會把導覽一起帶進來，每個選單項目都變成一個你得跳過、計算，最後還得在帳單上解釋的句段。Clean Web Clipper 在檔案接近你的工具之前，就把它們移除。
- 選單、分頁列、同意橫幅和「延伸閱讀」資訊流在檔案產生之前就被刪除。
- 重複的導覽大約減少四倍，相較於比較的引擎：102 行重複，對比 282、478 和 491 行。
- 一個殘留的 HTML 標籤都沒有（512 個測量頁面），所以不會有零散的標記變成行內標籤。
產品經理把更新紀錄、文件和版本說明擷取成可以搜尋、比對差異和引用的檔案。
以書籤保存的競品研究，會慢慢退化成一串無法搜尋的連結。擷取成 Markdown 後，它就成為一批你能 grep、能和上一季擷取比對差異，並能連同日期引用在決策文件中的資料。
- 發布日期從頁面讀取，所以更新紀錄條目保留它真正的時間點，而不是你發現它的那天。
- 個別網站規則會自動把每個競爭對手送進自己的資料夾。
- 價格和限制表格保留下來：技術語料上保留了 15 個中的 12 個，比較的引擎各保留 7 個。
技術寫作者標題、表格、程式碼區塊和註腳都會保留；網站的外框則不會。
遷移文件通常意味著先轉換 HTML，再花更久的時間移除轉換器保留下來的東西。這種移除正是 Clean Web Clipper 的設計核心，也是經過測量的部分：在 512 個頁面上沒有任何殘留的 HTML 標籤。
- 標題、清單、表格、程式碼區塊和註腳，全都對應到標準 Markdown。
- 程式碼區塊保留語言標籤：技術語料上 156 個保留了 73 個，比較的引擎分別是 20 個和 0 個。
- 在 512 個測量頁面上沒有任何殘留的 HTML 標籤。
個人封存存在你自己磁碟上的一般 Markdown 檔案。沒有帳號、沒有服務，沒有會關閉的東西。
書籤指向會改變或消失的頁面，稍後閱讀服務則會關閉、被收購，或開始為匯出收費。擷取內容就是文字本身，採用沒有廠商、不會到期的格式，存在你決定的地方。
- 耐久、開放的格式：帶有 YAML frontmatter 的純文字，任何編輯器和
grep都讀得了。 - 沒有帳號，不上傳任何東西：你擷取的內容留在你自己的磁碟上。
- 發布日期和來源網址隨文字一起擷取，所以筆記多年後仍能辨識。
不受干擾地閱讀沒有選單、沒有橫幅、沒有 Markdown 符號的閱讀檢視，採用你瀏覽器自己的主題。
頁面雜物不只是視覺上的雜亂：它是螢幕閱讀器每次造訪都會唸出來、讀者都得跳過的文字。擷取視窗單獨顯示文章，採用你瀏覽器的淺色或深色設定，而且不執行任何頁面腳本。
- 閱讀檢視以一般文字呈現擷取內容：沒有 Markdown 符號，連結可用，標題是真正的標題。
- 它跟隨你瀏覽器的淺色和深色設定，而不是網站的。
- 視窗可以放大到約四分之三的螢幕，方便閱讀較長的文章。