浏览器功能定制1：将网页内容保存为 Markdown
通过前段时间阅读 qutebrowser 代码，有了一些初步了解，开始尝试进行二次开发，实现自己喜欢的功能。
网页归档功能对我而言尤为重要。目前市面上存在许多优秀工具，比如 singlefile、scrapbook 等。包括浏览器自己也具备 MHTML 保存归档功能。
这些工具的好处，可以将网页按原貌保存。有的还提供裁剪功能，像剪报一样，裁剪自己喜欢的部分。（可能很多年轻人已经不知道什么是剪报了）
在本文中，我想更进一步，直接将网页保存为 Markdown，存入 Obsidian 中。舍弃掉样式，这是我更加希望的。
在本文中，我将记录探索过程，以及基于 qutebrowser 定制的过程。但是我没有计划开源，原因是我所基于的环境过于特殊，不具备易用性。本文可以提供一些思路，供浏览器插件开发者、Geeks 参考，相当于抛砖引玉。
调研：Html 转 Markdown
html2text
Convert HTML to Markdown-formatted text. 这个库已经 11 年没有更新了。
GitHub 首页：aaronsw/html2text: Convert HTML to Markdown-formatted text. (github.com)
Obsidian Importer
这是 Obsidian 官方的笔记导入插件，方便用户从其它笔记系统迁入 Obsidian，其中就包含 HTML 导入支持。
具体 HTML 导入代码位于这里。核心一步 htmlToMarkdown 是调用 Obsidian 的 API （在帖子中，提到具体是基于 turndown 实现的）完成。
turndown
看起来是 Obsidian htmlToMarkdown 的底层实现库，有 7.4k star，功能更加强大与完善，是一个 JavaScript 库。
由于我是用 Python 生态，Python 下要是有类似库就好了。
GitHub 首页：mixmark-io/turndown: 🛏 An HTML to Markdown converter written in JavaScript (github.com)
《将turndown项目改造成CLI版本秒杀Python版的html2text | 阿甘博客 (sharpgan.com)》这篇文章，从题目中即可了解到，turndown 比 html2text 要强大得多。
python-markdownify
《How to Convert HTML to Markdown in Python (brianli.com)》一文中提到的库。
这个库使用起来比较简单，好在扩展性也比较强大，比较容易定制。
GitHub 首页：matthewwithanm/python-markdownify: Convert HTML to Markdown (github.com)
调研：网页正文提取
GNE
GitHub 3.2k star
项目中提出一种基于可视化区域提高识别准确度，先执行一段 JavaScript 脚本，将每个元素的坐标存在标签内，然后根据坐标识别是否是网页正文。
GitHub 首页：GeneralNewsExtractor/GeneralNewsExtractor: 新闻网页正文通用抽取器 Beta 版.
文档：GNE: 通用新闻网站正文抽取器 — GeneralNewsExtractor 0.0.6 文档
newspaper
GitHub 13.2k star，有3、4年没有维护了。
News, full-text, and article metadata extraction in Python 3. Advanced docs:
GitHub 首页：codelucas/newspaper: News, full-text, and article metadata extraction in Python 3. Advanced docs:
文档：Newspaper3k: Article scraping & curation — newspaper 0.0.2 documentation
Python-Goose
3.9k star，有快10年没有维护了。
GitHub 首页：Python-Goose
goose3
A Python 3 compatible version of goose http://goose3.readthedocs.io/en/latest/index.html
仍在活跃维护中，star 715。
A Python 3 compatible version of goose http://goose3.readthedocs.io/en/latest/index.html
介绍文章《爬虫万金油，一鹅在手，抓遍全球：goose 简介 - 知乎》
html-extractor
《基于行块分布函数的通用网页正文抽取算法》的代码实现改进。
cnyangkui/html-extractor: 基于行块分布函数的通用网页正文抽取算法优化，Python实现
python-boilerpipe
python-readability
实现思路
通过 qutebrowser 命令触发，比如 save-markdown。
网页正文提取
在《浏览器功能定制2：显示网页正文的阅读模式》中，我已经实现了一个简版的网页正文提取功能，并实现了一种简版阅读模式，通过 main-content 命令触发。
我准备按照如下工作流：打开网页，main-content 提取正文 HTML、save-markdown 进行保存。中间两个命令采用手动触发的方式。
Obsidian 目录创建
接下来开始探索 save-markdown 的实现思路。首先，我需要根据页面的 url，去 Obsidian 中创建目录。
首先，Obsidian 中有一个 base 目录，比如 999.沧海拾珍自动化。
在该目录下，按照域名（去掉 www. 前缀）创建目录。如果目录已存在，则不要重复创建。输入是 QUrl 的 URL 地址，返回一个 Python pathlib 的目录，共我后续基于这个目录派生出各个文件。
保存网页中所有图片
这里来了一个棘手的问题，网页正文中的图片，我希望离线缓存到笔记目录当中，做到彻底离线化。
怎么实现呢？Qt 并没有提供 API，从网页中 get 图片（如果有请告诉我！）。一种方法是通过 requsts 再请求一次图片，但我不希望这样。
为了解决这个问题，我给 qutebrowser 加了一层 mitmproxy，具体方法参见《浏览器功能定制3：使用 mitmproxy 增强浏览器的拦截能力》。
总体来说，所有请求中的图片，都将被缓存到一个 Python 字典中。这样，在我离线保存网页的时候，只需要向这个字典中进行查询即可。
小插曲：多进程问题：遇到了一个新问题，mitmproxy 运行在单独进程里，图片缓存字典，在主进程里获取不到。解决方案：将 mitmproxy 从多进程改为多线程，图片缓存可以在跨线程间共享。
HTML 转 Markdown
Step1：加载站点适配规则
我没有设计什么神奇的通用算法，而是针对不同的站点，预置了一些适配规则。
适配规则包括：
- 模拟浏览器操作：自动加载更多
- 图片缓存：确保懒加载的图片都已加载完成
- 样式简化处理：去掉不需要的页面样式，对一些复杂结构进行简化处理
有的甚至可以生成新的网页模板，把内容抠出来，放到新网页模板中去。
基于浏览器的底层 API，不论是模拟操作，还是元素操作，都开启上帝视角，随心所欲。
提取网页正文
实际操作，发现网站众多，光靠匹配还不够。
给出一个文章页，如何识别出最核心的那个 div tag 呢？
Step2：获取渲染后的 HTML
获取渲染后的 HTML，这时 HTML 已经是 ready for markdown 的了。
如果还需要 Hack，适配规则在这里还有一个 hook 时机。
Step3：Html2Markdown
调用 python-markdownify，使用定制的转换器，执行一些更加完美的处理。
如果还需要 Hack，适配规则在这里还有一个 hook 时机。
Step4：拷入 Obsidian
我在 Obsidian 设计了一个专门的文件目录布局：
- 归档目录
- 域名
- 《文章》.md
- 《文章》归档.md
- 《文章》images/
- 域名
其中：
《文章》.md：是一个元信息书签，包括基本内容，我的总结，用于发布数字花园《文章》归档.md：存储网页归档内容《文章》images/：存储图片，并在归档文件中相对路径引用
这样，后续如果要移动目录，只需要三个文件一起移动即可。并且由于名称开头相同，他们在文件管理器中也可以一起出现。
Step5：Schema 自动 Obsidian 跳转
保存完成后，触发 Obsidian 自动打开笔记。在笔记中进行阅读、学习。
这个功能叫 Obsidian URL（Obsidian 链接），格式：obsidian://open?省略。
只要拼凑出这个链接，通过 Python 触发就可以了。
其它
灵感
在网页正文提取这个主题上，先用已有的库，实现足够多的 html -> Markdown 之后，作为训练集训练一个 LLM。
DEBUG 选项
预留一个 Debug 开关，当开启时，将每一步的中间结果进行保存，方便开一个编辑器，进行调试、检查。
