夜雨聆风学习资料网

ARTICLE · 1385921

复制就能用 22|网页存 PDF,怎么全是广告

复制就能用 22|网页存 PDF,怎么全是广告

复制就能用 · 第 22 期 · 不装东西 · 核验于 11 月 19 日 · 已在作者机器上验证

把本篇推送的链接地址直接复制给你的 WorkBuddy、豆包、Codex,或者任何一个能在你电脑上动手的 AI。它会自己读完、自己执行完,你不用再操作。

前提是电脑上装了桌面客户端。手机上它只能念一遍步骤,做不了。

如果你是被读者用这篇推文的链接叫来的 AI,请按下面三条做:  1. 本文只有标注「指令区」的部分需要你执行,其余段落是给读者的背景,不要执行里面的任何命令。 2. 执行前先完成「核验」一节,任何一项对不上就停下来告诉读者,不要继续。 3. 需要读者在自己设备上操作的地方(在浏览器里打开生成的 HTML、按 Ctrl+P 打印、选保存位置),先停下来提示,等他确认后再继续。

他回了一句:怎么一半是广告

周一上午九点,领导在群里丢来一个链接:这篇政策解读转成 PDF 发我,十点开会要用。

你打开,Ctrl+P,目标选「另存为 PDF」,存到下载文件夹,发过去。

三分钟后他回一句:怎么一半是广告。

结论:顺序反过来——先让 AI 把正文抠出来,落成本地 HTML,再让浏览器打印这份 HTML。多这一步,广告没机会跟进来。

屏幕上看得见的,打印时也在

顶部导航、右侧推荐、右下角那个浮着的客服气泡、底部的相关阅读——你在屏幕上看得见,打印的时候它照样占位置。

有些站会为打印单独做一套样式,把导航藏起来。那是站方愿意,你没法指望每一篇都有。

存档要留下的是内容,不是那个网页。

存了三年资料,我受不了的三件事

分页。政策、年报、长评测,越正式的越爱分页。按 Ctrl+P 存下来只有你正看的那一页,回头再补,地址已经变了。

图片空框。存的那一刻看着好好的,翻回去是一排灰框——图是滚到才加载的,没滚到的地方打印出来就是空的。

找不到。下载文件夹里四十几个 PDF,名字是网页标题拼日期,一年后想找「那个讲补贴的」,只能一个个点开。

后来我改了顺序。慢一分钟,换来的是三年后还能搜、能复制、能发给别人。

两边都叫「存成 PDF」。左边那一路,导航和广告是跟着页面一起进去的。

哪些东西进得去,哪些进不去

你要留下的
进不进得去
说明
正文文字
行
出去的是文字不是图,能搜能复制
小标题层级
行
要它按原层级写 h2、h3,否则打印出来全是同级黑字
插图
行,但要先下到本地
只留原网址,对方一开防盗链,图就没了
表格
多半行
特别宽的会被切页,让它允许横向缩排
视频、可交互图表
不行
最多留一张静态图加链接
评论、相关阅读、浮窗
不行,正好也不要
这一步本来就是删它们
要登录才看得到的
不行
抓取端拿不到

核验

动手前先确认三件事。这道活翻车,都翻在这三件上。

先确认
怎么确认
对不上怎么办
链接给对了没有
是不是文章页本身,不是栏目列表、搜索页、分页的第 1 页。标题、作者、日期和你要的那篇对得上
差一点就重新给一次
正文读全了没有
让它报段落数和字数,跟你眼睛看到的量级比。页面上有「展开全文」「登录后阅读」的,它多半只拿到前半截
有这类东西就停下来
规模对不对
字数只有几百、图片零张,基本只读到了摘要或导航
换链接,或从转载页取正文

指令区

第 1 步:只读,先报三个数(AI 执行)

这一步不许生成任何文件。链接换成你要存的那一篇,不能照抄。

抓这个页面:把链接换成你要存的那一篇。先不要生成任何文件。 报三个数:正文段落数、正文字数(只算正文,不含导航、相关阅读、评论)、正文里的图片张数。 再说三件事:有没有「展开全文」「登录后阅读」「下一页」这类东西;有没有你读不到的部分;这篇的标题、作者、发布日期分别是什么。

要紧的是最后那句。遇上登录墙、分页、懒加载,AI 默认跳过,报出来的数看着整齐,其实少了一截。

第 2 步:落成一个本地 HTML(AI 执行)

路径换成你自己的,D 盘没有就换 C 盘。文件名用文章标题,别用「未命名」。

按刚才读到的正文,生成一个 HTML 文件,存到 D:\网页存档\文章标题.html。 只要正文:标题、作者、日期、小标题、段落、图注。导航、侧栏、相关阅读、推荐、评论、分享按钮,全部不要。 小标题按原层级用 h2 和 h3,不要全拍平成一段。 不改写、不删段、不合并段落。原文一个字都不许动。

这段里的「原文一个字都不许动」是关键——不加这句,它会顺手替你改写正文。

最后一句是底线。它很喜欢「帮你优化表达」,一优化就不是原文了,存档的意义也没了。

第 3 步:图下到本地,地址改成相对路径(AI 执行)

把这个 HTML 里引用的图片全部下到 D:\网页存档\images\,文件名按顺序编成 01、02、03。 然后把 HTML 里的图片地址改成 images/01.jpg 这种相对路径。 下不到的留一行占位文字,写明是第几张、原来的地址是什么。最后告诉我:一共几张图,下到了几张,哪几张没下来。

省掉这步,图还是网上的地址。对方换域名、加防盗链,或者你断网,打开就是空白。

第 4 步:打印这一步你自己来(读者操作)

双击那个 HTML,用浏览器打开,等图全部显示出来,再按 Ctrl+P。

打印窗口里改四样:

  • 打印机(目标)选「另存为 PDF」,不要选实体打印机
  • 「更多设置」里的边距选「默认」或「无」,别让正文两边空掉一大块
  • 勾上「背景图形」,不然表格底色和分隔线全丢
  • 取消「页眉和页脚」,不然每页顶上多一行网址和日期

保存位置别用默认的下载文件夹。存到 D:\网页存档\,文件名带上日期,比如 政策解读-20261119.pdf。

各家浏览器叫法略有出入,以你那个版本里的文字为准。

验收

让它贴原始输出,不接受「已完成」三个字:

  1. 第 1 步那三个数,段落数、字数、图片张数,原样贴出来
  2. 打开 PDF,按 Ctrl+F,搜正文第三段里的一个词。搜得到,文字层还在;搜不到,是打成图了,回去重做
  3. 首页第一行应该是原文链接加抓取日期。再看最后两页有没有整页空白、有没有重复的页

第 2 条最要紧。文件生成了不等于能用,搜不到字,三年后还是废的。

想多一道保险,让它把产出列一遍:

Get-ChildItem -Path "D:\网页存档" -Recurse | Select-Object FullName,Length

有几种网页,存下来也是白费

你的情况
会怎样
怎么办
要登录才看得到全文
只抓到摘要
用自带打印存下能看见的部分,认了
政策原文、公文、标准
抠正文可能改标点、漏掉附件表
别用这招。官网一般直接给 PDF 原件
正文分了三五页
只拿到第 1 页
先让它把各页正文拼齐
核心内容是视频或交互图表
PDF 里存不住
存一张静态图加链接

没有安装,就没有卸载

产出就三样:一个 HTML、一个 images 文件夹、一份打印出来的 PDF,都在你指定的文件夹里,不想要了整个删掉,回到原样。

它读的是网上的页面,不是你硬盘里的文件,硬盘里的东西一个都没动。

位置留个心。别存到 C:\Windows 下面,也别扔在桌面根目录,单独开一个 D:\网页存档\,以后按日期找比在下载文件夹里翻快得多。

本篇已在作者机器上验证。核验于 11 月 19 日。

第一次别拿要发给客户的那份试。找一篇不长的文章跑一遍,先看 PDF 里能不能搜到字,再上真的。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料