適用對象

存下論文，並保留它的發布日期

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。

存下的論文在哪裡失去出處

你在瀏覽器裡讀一篇預印本，把它存下來，三個月後筆記裡完全看不出它何時發表、你讀的是哪個版本。摘要頁已經更新到 v3，參考連結變成指回你早已離開的頁面的失效錨點，作者欄位寫著「Skip to main content」，因為擷取工具抓了它找到的第一個粗體字串。

日期是最糟的部分，因為這種失敗無聲無息。把筆記標上你儲存當天日期的擷取工具，產生的檔案看起來正確，實際上卻是錯的。一年後，你無法分辨兩百則筆記中哪些帶有真正的發布日期、哪些只是你碰巧閱讀的日期：檔案裡沒有任何東西能區分它們。

文字和思考最後落在不同地方。文獻管理工具存著中繼資料，筆記應用程式存著你的評論，兩者都沒有存下你評論的那段原文。到了撰寫時，你回頭去找，一半的連結通往付費牆，而你當初是透過早已過期的機構工作階段讀到的。把原文本身和你的筆記存在同一個檔案裡，就完全省去這趟來回。

筆記記錄了什麼

• 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。
• 參考連結變成 [^1] 註腳，定義集中在筆記結尾。
• 作者欄位經過過濾：章節標題、期刊名稱和按鈕文字不會變成署名。
• extraction 欄位記錄擷取路徑：dom 來自呈現後的頁面，jsonld-articlebody 表示頁面始終沒有完成呈現。
• 發布日期和擷取日期絕不混在一起：頁面的日期是 frontmatter 欄位，你擷取的那天是檔名中的 {date}，兩者刻意放在不同地方。
• 在 512 個測量頁面上沒有任何殘留的 HTML 標籤，所以貼進稿件的段落不會夾帶零散的 span 或圖說片段。

---
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.

為閱讀論文設定擷取

預設設定是為快速閱讀文章調整的。參考資料夾需要的正好相反：保留每一個中繼資料欄位，並在歸檔前先看一眼結果。

1. 從擴充功能圖示開啟選項，把存放位置設為專案資料來源所在的資料夾：稿件旁邊的 sources/，或 vault 內的某個資料夾。
2. 把按下圖示的動作保留為預覽視窗，而不是「存到資料夾」。對論文來說，這個視窗值得存在：在檔案產生之前，你能在這裡看到日期和作者是否真的抓到了。
3. 把檔名範本設為 {domain}-{title}。預印本伺服器、期刊和機構典藏中的同一篇論文，是三份標題相同的不同文件，而網域就是在資料夾清單中區分它們的方式。
4. 開啟每一個 frontmatter 欄位，包括 extraction。最後這一項在這裡比在任何地方都重要：jsonld-articlebody 表示文字來自頁面的結構化資料，而不是呈現出來的內容，兩者不一定是同一個版本。
5. 把圖片保留為連結。圖表往往就是論證本身，連結至少說明那裡曾有一張圖；略過圖片則會悄悄抹去論文有圖這件事。
6. 摘要頁和全文 HTML 都存在時，分別擷取。它們帶有不同的中繼資料：摘要頁通常有 citation_date 標籤，全文則有參考文獻。
7. 第一次從沒用過的出版商擷取後，看一下 date 欄位。如果是空的，代表那個網站的標記中沒有輸出日期，任何設定都變不出來。

參考資料夾的設定

這張表的重點不是速度，而是確保兩年後，檔案仍然說得出它從哪裡來、怎麼來的。

---
title: "Reproducibility of variant calling across sequencing platforms"
source: "https://example-journal.org/articles/vc-repro"
author: "M. Ilves, R. Okonkwo"
date: ""
extraction: "jsonld-articlebody"
---

## Abstract

Concordance between platforms fell below 0.90 for indels longer than eight
bases, while substitution calls agreed across all four pipelines tested.

三種使用方式

在引用底下改變的預印本

你在三月讀了一篇預印本的 v1 並擷取下來。到了九月，摘要頁提供的是 v3，結果章節重寫，還多了兩位作者。你再擷取一次；第二個檔案加上數字後綴，而不是取代第一個。

現在任何差異比對工具都能準確顯示，你引用的版本和讀者在那個網址會看到的版本之間，哪些論點變了。沒有三月的檔案，就根本無法證明有任何改變。網址看起來一模一樣，頁面也只顯示目前的狀態。

機構工作階段背後的全文

文章能為你呈現，是因為你在校園網路上，或透過圖書館登入。擴充功能讀取瀏覽器呈現的內容，所以全文和其他頁面一樣能擷取，參考文獻會變成集中在筆記結尾的 [^1] 註腳定義。

六個月後這就很重要了：工作階段已經過期，同一個連結開始要你付錢。那段文字、作者和日期都在你磁碟上的檔案裡，這個檔案沒有任何部分依賴訂閱是否仍然有效。

撰寫時，來源就在同一個資料夾

稿件在 paper/，擷取的來源在 paper/sources/。草稿中的每一段引文，不必開瀏覽器就能和它的來源檔案核對，參考文獻清單需要的網址和日期，就是那個檔案最上方的兩行。

因為檔案是純文字，在資料夾中 grep 就能回答文獻管理工具回答不了的問題：不是你存了哪些論文，而是其中哪些真的用了某個詞組。

和一般的閱讀流程相比

大多數人已經在做其中兩三種。誠實的比較不是說它們會失敗，而是說它們各自漏掉不同的東西。

中繼資料沒有抓到時

日期欄位是空的

頁面沒有輸出擴充功能能辨識的日期。它依序尋找 citation_date 和 citation_publication_date（arXiv、PubMed 和 IEEE 使用的標籤），接著是 JSON-LD datePublished、article:published_time、time[datetime] 和 Unix 時間戳。全都沒有時，欄位會留空而不是填上今天，因為參考資料夾中看似合理的錯誤日期，總會在最糟的時刻被發現。

明明有作者的論文，作者欄位卻是空的

作者擷取會讀取結構化資料和署名標記，然後過濾常見的誤判：章節標題、期刊名稱、「authority control」區塊和按鈕文字。有些出版商把作者清單放在 JavaScript 呈現的元件中，完全沒有署名標記，於是沒有任何東西通過過濾。空欄位是刻意的結果：在不只一個擷取工具上，另一種結果是作者欄位寫著「Skip to main content」。

只擷取到摘要，沒有論文本身

你擷取的是摘要登陸頁，對大多數預印本伺服器和期刊來說，那一頁確實只有摘要。全文在另一個網址，通常是同一頁上的「full text」、「HTML」或「reader」連結。那一頁也擷取下來；兩個頁面帶有不同的中繼資料，值得存成兩個檔案。

方程式不見了

以圖片呈現的數學式仍是圖片連結，如果你把圖片設為「略過」，它就會完全消失。出版商以文字呈現公式時，字元會被擷取下來。不會轉換成 LaTeX：擴充功能讀取頁面呈現的內容，不會從公式的圖片重建符號。

誠實的限制

它讀取 HTML，不讀 PDF：只以 PDF 形式存在的論文，擴充功能無法轉換。它不會抓取 BibTeX，也不會寫入引用鍵。frontmatter 是中繼資料，不是書目條目。以圖片呈現的數學式仍是圖片連結。有些網站的標記中根本沒有發布日期；在這些網站上，欄位會留空而不是用猜的，這是誠實的答案，但終究還是空欄位。

常見問題