暴力强行复制网页内容，终极手法

飞书案例：

1. 关闭云文档的复制、下载等权限

一、获取正文内容到剪切板

1，把网页全屏显示，ctrl+鼠标滚轮，缩放整个网页到最小，尽量把一个屏幕的内容都完整显示出来就行

原因：有的网页里，包含正文内容部分的div源码部分，是动态显示出来的，是根据当前浏览的页面高度才显示文字内容都的

白话讲：就是那文章你看到中间那部分，按F12查看源码，发现源码里只显示正在看的中间这一段的内容，前面后面的内容没有，直到滚动网页内容，源码也跟着在变。

ps：网页内容不多时，缩放到一个屏幕显示完整，这时源码就显示完整 不会动了

2，缩放网页到最小后，按F12，设置开发者面板靠右侧（点左上角那三个点，下图1、2步）

3，点面板左上角的小箭头，鼠标移动到网页正文内容，选中包含正文容部分的源码，右键菜单复制outerHTML，（下图3、4、5、6步）

二、文本处理，过滤不必要的字符，保留中文、中文标点符号和换行

主要是删除：a-zA-Z/\-(<"),\=>:;_*~?& 这些字符

1，CV大法，释放剪切板里的屎到文本编辑器， 保存

2，这里用 python 处理，我很懒直接面向cmd操作，这里得到行首有数字的文本

import re

# 读取txt文本
with open('1.txt', 'r', encoding='utf-8') as f:
    content = f.read()

# 使用正则表达式匹配并删除不需要的字符有：a到z、A到Z、/-(<"),\=>:;_*~?.&
# 这里面 \- 表示 -，数字0-9，根据需要自己加
pattern = r'[a-zA-Z/\-(<"),\=>:;_*~?.&\s]'

result = re.sub(pattern, '', content)
result

# 处理换行
result = result.replace('\u200b','\n')
result

# 保存到 2.txt
with open('2.txt', 'w', encoding='utf-8') as f:
    f.write(result)

3、如果正文内容行首没有数字编号之类的，则直接用下面的代码删除行首的数字。

如果内容不多，行首有数字编号的，自己微调，手动加上。

如果行首数字批量相同，建议用支持列选的文本编辑器，批量替换

# 读取txt
with open('2.txt', 'r', encoding='utf-8') as f:
    lines = f.readlines()

new_lines = []
for line in lines:
    # 检查是否包含中文字符
    if re.search(r'[\u4e00-\u9fa5]', line):
        # 删除行首数字
        new_line = re.sub(r'^\d+', '', line)
        new_lines.append(new_line)

new_lines

# 保存到 3.txt
with open('3.txt', 'w', encoding='utf-8') as f:
    f.writelines(new_lines)

4、行处理，删除每行两个中文字符之间的长数字

# 该行两个中文字符之间的数字超过8位以上，则删除这两个字之间的数字，保留中文
def process_txt(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        lines = f.readlines()
    new_lines = []
    for line in lines:
        # 去除当前行的首尾空白字符
        line = line.strip()
        # 判断当前行是否为空
        if not line: continue
        # 查找当前行中的所有中文字符，并将它们存储在一个列表中
        chinese_chars = re.findall(r'[\u4e00-\u9fa5。？！，、；：“”‘’——……《》〈〉（）]', line)
        # 是否包含中文字符
        if not chinese_chars: continue
        new_line = ''
        # 遍历当前行中的每个字符及其索引
        for i, char in enumerate(line):
            # 当前字符是中文，添加到 new_line
            if char in chinese_chars:
                new_line += char
                # 当前字符后面是中文
                if i + 1 < len(line) and line[i + 1] in chinese_chars: continue
            # 是数字
            #elif char.isdigit():
            #    # 当前字符前、后面是数字，则，，，，好困
            #    if i > 0 and line[i ] in chinese_chars:
            #        new_line += char
        new_lines.append(new_line+'\n\n')
    print(new_lines)
    with open('4.txt', 'w', encoding='utf-8') as f:
        f.writelines(''.join(new_lines))

process_txt('3.txt')

6、差不多先这样吧，有时间再优化，剩下自己手动微调