把网页文章收进书库:标题和正文怎样提取才不用返工
从外部来源整理条目时,先定位标题和正文起止,再处理格式、链接和图片。用阅读模式、去格式粘贴和结构化导出减少重复劳动。
书库里新增一个条目,来源往往不是文件,而是别人的一个网页页面:作者的博客、出版社的说明页、工具站的项目介绍。把标题和正文准确取回来,是这条流水线的第一步,也是最容易返工的一步。
光算的 《如何提取网页文章的标题和内容:无需编程技能》 给了三种做法,这里按书库的入库场景排一下顺序,你可以直接照着做。
先定位,再复制
手动复制最常见的失败不是复制错字,而是把导航、广告、订阅按钮、相关推荐和评论区一起带回来。定位时先找标题,再确认正文从哪里开始、到哪里结束——通常是正文结束、作者信息或评论开始之前。页面里有侧栏时,从正文一侧起拖,比从中间起拖更不容易带进旁边的模块。
短内容可以在正文首段点一下,按住 Shift 滚动到结尾再点一次;长内容分两三次复制,每次粘贴后立刻去格式,再接下一段。分段的代价是更容易错漏,所以每接一段先扫一眼衔接处。
粘贴后立刻去格式
- 在支持纯文本粘贴的地方(记事本、多数编辑器)粘贴,字体、颜色和链接样式会一起消失,段落间距需要自己补。
- 用 Markdown 编辑器时用无格式粘贴,能保留基础段落结构,又清掉多余代码。
- 表格类内容粘贴到表格软件容易错位,遇到这种情况按原样截取区域另存,比逐格对齐快。
图片是另一个单独动作:复制正文不会带走内嵌图片,需要保留的那部分要单独另存。入库卡片里的封面图和正文里的插图不要混在一起登记,来源也要分别标注。
阅读模式适合大多数页面
主流浏览器自带阅读模式,会自动滤掉大部分广告、侧栏和悬浮元素,格式也比手动干净,通常比逐段选择快。对论坛帖、瀑布流和靠脚本加载的页面识别不稳定,遇到这类页面再回到手动方式。
如果阅读模式把“相关推荐”认成了正文,就手动删掉多余段落。Chrome 用户还可以用阅读模式类扩展自定义屏蔽页脚广告。页面本身结构异常时,缩短到根域名重新加载,有时能重新触发识别。
存成 PDF 的场景
页面排版复杂、后续只需要留档时,存 PDF 比复制更省事:打印预览里关掉页眉页脚,边距调到最小以减少空白,缩放按需要调整。PDF 转文本时若段落顺序乱了,就用选择工具框选正文复制到纯文本编辑器里,再删掉多余空行整理。
条目多了以后,改用结构化导出
每天处理几条时,手动完全够用;一旦变成每天几十条,或者要批量整理一个作者的作品页,重复复制粘贴的时间成本很快就超过工具成本。带结构化导出的提取工具可以直接给出标题、正文和图片地址分开的文件,再导入表格系统,比逐条粘贴更省事。
不管用哪种方式,入库前都留一次人工校验,正文有没有被截断、链接是原文的还是要保留、标题是页面真正的标题而不是栏目名。工具负责减少搬运,人负责判断这条内容值不值得放进书库,以及能不能在书库里被正确找到。
最后提醒一点:外部页面的正文只适合做条目素材与内容说明,正式上架的书籍内容仍应以权利清晰、可合法提供的版本为准,转载与摘录的范围按各自的权利约定执行。
Keep reading, free.
Join 11.4 million readers and get one curated free eBook in your inbox every morning.
Start Reading Free