保存网页内容 自动过滤广告和网页头尾

网页内容 自动过滤广告和网页头尾"/>

保存网页内容 自动过滤广告和网页头尾

网页可以非常方便的为我们展示各种信息，如果遇到重要的资料文献，希望在本地电脑上保存下来该怎么操作呢？把网址添加到收藏夹，下次直接打开网址查看，但如果资源被网站删除，就再也找不到了。还是保存在自己电脑里比较放心，那就使用浏览器的保存网页吧，如果保存为单个文件，则只有文字内容，图片丢失了。如果保存所有内容，将产生一个网页文件和一个资源文件夹，包括图片在内的文件都保存在这个文件夹中，由于文件较多不容易归类保存和传输。使用保存网页的方式，除正文外，还会保存网页标题导航栏、信息侧边栏、底部联系信息等无用的内容。

需要保存的网页标题和正文

有没有一种方法，保存网页时，自动智能识别内容标题和正文，且仅保存标题和包括图片在内的正文内容，自动删除网页无效的头尾和侧边内容，更要过滤网页上的广告。这就是“AI保存网页“，如下图所示，打开任意新闻、公告或文章页面，再点击”AI保存网页“，就可以一键保存网页标题和正文。

网页保存后与原页面对比

找到文档保存路径，可以看到以文章标题命名的网页文件。这个文档比较大，是因为同时保存和正文中的图片，也就是说把文字和图片都保存在单个文档中的。且为htm网页格式，可以使用任意浏览器打开。把图片保存在htm网页代码中，是什么原理呢？原来木头浏览器在保存网页时，自动把网页上的图片转换成Base64编码，这样就可以在单个文件中保存图片了。

图片和文字内容保存在一个网页文件中

那么是怎样智能识别文章标题和正文的呢？有js基础的小伙伴可以继续往下看。

首先在项目管理器中，创建一个脚本代码步骤，通过执行一段js脚本代码找出文章标题。首先获取网页头部的title标签作为标题，其次是查找H1元素内容作为标题，如果还是找不到，则查找样式为title的元素内容作为标题。

智能识别网页标题

var title="";
try{title=document.title;//取网页标题}catch{}
if(title==""){//网页标题为空时，查找H1元素内容作为标题var h1s=document.getElementsByTagName("h1");if(h1s.length>0){title=h1s[0].innerText;}
}
if(title==""){//仍未找到标题时，查找样式为title的元素内容作为标题var h1s=document.getElementsByClassName("title");if(h1s.length>0){title=h1s[0].innerText;}
}
title;

再创建一个脚本代码步骤，定义几个重复使用的函数。

function  generateFullXPath(el) {let query = ""while (el && el.nodeType === Node.ELEMENT_NODE) {// 也可以使用nodeName,nodeName包含了tagNamelet component = el.tagName.toLowerCase()let index = this.getElementIndex(el)if (index >= 1) {component += '[' + index + ']'}query = '/' + component + queryel = el.parentNode}return query}    function  getElementIndex(el) {let index = 1let sib = el.previousSiblingwhile (sib) {if (sib.nodeType === Node.ELEMENT_NODE && this.compareTagNameEqual(el, sib)) {index++}sib = sib.previousSibling}if (index > 1) return indexsib = el.nextSiblingwhile (sib) {if (sib.nodeType === Node.ELEMENT_NODE && this.compareTagNameEqual(el, sib)) {return 1}sib = sib.nextSibling}return 0;};/*** 查看两个元素节点名称是否相同*/function compareTagNameEqual(primaryEl, siblingEl) {let p = primaryEl, s = siblingEl// return (p.tagName === s.tagName && (!p.id || p.id === s.id));return (p.tagName === s.tagName)};

同样使用js代码智能识别查找正文元素，一般文章正文部分由多个段落组成，所以我们从P元素入手，找到子元素包含大量P元素的元素，就是正文元素了。如果没有P元素，则获取页面中间位置，面积较大的元素作为正文元素，并给正文元素设置一个id值”mutoubrowser"作为标记。方便后续步骤调用。

智能识别网页正文

var content="";
var fa=null;
var ps=document.getElementsByTagName("p");
if(ps.length>0)
{//取包含P的父元素fa=ps[0].parentElement;while(fa.parentElement.scrollWidth*fa.parentElement.scrollHeight>fa.scrollWidth*fa.scrollHeight){fa=fa.parentElement;}if(ps.length>1){//找到第一个p和最后一个p的共同父元素do{var endfa=ps[ps.length-1].parentElement;var faxpath=generateFullXPath(fa);var endfaxpath=generateFullXPath(endfa);if(faxpath.indexOf(endfaxpath)==0){fa=endfa;break;    		}else if(endfaxpath.indexOf(faxpath)==0){break;}else{fa=fa.parentElement;endfa=endfa.parentElement;}}while(true);}
}
else
{//取页面中间最大的元素var w=document.body.clientWidth;var h= document.body.clientHeight;var el=document.elementsFromPoint(Math.round(w/2),Math.round(h/3*2));if(el!=null){var d=0;for(var i=0;i<el.length;i++){var e=el[i];var dd=e.scrollWidth*e.scrollHeight;if(dd>d*1.8){fa=e;}d=dd;}}else{fa=el.document.body;}
}if(fa!=null){    fa.setAttribute("id","mutoubrowser");content=fa.innerHTML;}
content;

再创建一个保存内容步骤，勾选“保存网页内容”，选择“下载图文单个文件”。设置文件名为js变量title，即标题做为文件名，并指定保存文件路径为“D:\文档”。在窗口下方设置正文的元素，通过js代码获得。

保存图文到文件

document.getElementById("mutoubrowser");

最后保存项目文件为“AI保存网页”，通过点击书签按钮运行这个项目，就能智能识别网页标题和正文，保存网页有效内容和图片了。