AI 怎么把网页正文整理成 Markdown
网页复制给模型,粘进去全是导航和样式字符。这篇讲怎么只摘正文、怎么定输出规范,让表格、图片和代码块转完还能用。
把网页内容复制给模型,粘进去的常常是导航、推荐位和一堆样式字符,模型分不清哪段才是正文。要拿到能直接用的 Markdown,关键是先把正文摘干净,再用一套固定规范让它转。这篇讲流程,以及几处必然出问题的地方。
入口在哪
- 浏览器的阅读视图能把正文单独抽出来,从那里复制会干净很多。
- 直接复制整页也能用,但要在提示里明确哪些区块不要。
- 剪藏类插件可以一步存成 Markdown,适合量大的场景。
- 文章超过一次能处理的上限时,按小节分批,别硬塞。
具体步骤
- 先开阅读视图再复制,正文以外的推荐位、评论、相关阅读会一起被滤掉。
- 给模型定范围:只保留正文,删掉导航、广告和页脚,判断不了的区块直接丢。
- 定输出规范:标题按原文层级用一到三级标题,列表保持嵌套,表格转成 Markdown 表格,图片保留原链接写在图注位置,代码块标注语言。
- 要求保留原有顺序和编号,脚注编号原位保留,不要重排。
- 长文分段贴,每段用同一套规范,合并时检查接缝处的标题层级有没有断。
- 拿到结果先在 Markdown 预览里渲染一遍,再决定手工修哪里。
几个坑
- 懒加载图片。复制下来的地址是占位符,转完点开是空白,要在页面上等图片都加载完再复制。
- 合并单元格。跨行跨列的表格转成 Markdown 会丢结构,只能手工拆成规整的多列表格。
- 代码里的尖括号。模型有时把代码片段当标签处理,要求它放进代码块并原样保留。
- 脚注重排。编号一乱正文和注释就对不上,转完要抽查最后两条。
- 段落被合并。网页里的换行很多是排版用的,转完会发现几个短段并成一段,得按语义拆回来。
怎么验证
渲染一遍看层级:一级标题只该有一个,二三级不能跳级。数表格的行列,和原页面逐格对,带单位的数字重点看。再搜正文里三个关键数字,确认都在且没被改写。最后点开两张图片链接,能打开并且是原图尺寸。
常见问题
为什么导航文字还是被保留了
导航和正文在页面结构上常常挨着,模型判断不了。把这段文字原样贴出来让它删,或者在提示里列出要删的区块名称,比笼统说去掉无关内容有效。
表格特别复杂怎么办
超过三层的表头或者大量合并单元格,Markdown 表达不了。拆成两张简单表,或者保留一张截图,下面补一段文字说明,别硬转出个错的表。
能不能批量处理一批链接
技术上可以,但每页结构不同,转完还得逐篇核对,批量反而更慢。优先处理要长期引用的那几篇,其余的用时再转。
一句话总结:先用阅读视图摘出正文,再把输出规范一次说死,转完渲染一遍核层级和表格,懒加载图片必须等加载完再复制。