网页信息档案整理规范

网页信息档案整理，网页第一步不是信息建文件夹，是档案截屏。别急着反驳，整理我见过太多人把链接往收藏夹一扔，规范三个月后点开只剩404。网页浏览器书签是信息最脆弱的档案库，没有之一。档案

我自己的整理做法是：任何需要留存的网页，先存PDF。规范Chrome打印功能里选“另存为PDF”，网页把页眉页脚去掉，信息背景图形勾上。档案一份A4纸大小的整理网页，存下来大概200KB到2MB，规范比截图清晰，比剪藏插件可靠。剪藏工具会跑路，PDF不会。存完PDF，文件名别用网页标题——标题里常有“首页”“最新”“重磅”这类废话。我习惯用“日期_来源_核心内容”的格式，比如“20250312_知乎_网页归档的三种失败案例”。日期放最前面，文件夹自动按时间排序，找起来快。

但PDF有个硬伤：它把动态内容压成静态图片。有些网页的关键信息藏在折叠菜单、悬浮提示或者懒加载区域里，打印出来是空白。遇到这种，我会补一张全页截图。Firefox的“整页截图”比Chrome好用，快捷键Shift+F2调出命令行，输入screenshot --fullpage，回车。截出来的PNG文件偏大，用TinyPNG压一下，画质几乎无损，体积能降七成。

链接本身也得存。不是存短链接，是存原始URL。短链服务关停是常事，微博短链、t.cn、dwz.cn，死过好几轮了。原始URL里往往带着参数，比如“?utm_source=wechat”，这些参数能告诉你这条信息是从哪来的。我有个表格，三列：存档文件名、原始URL、存档日期。表格用CSV格式，别用Excel的xlsx——十年后Excel可能打不开，CSV用记事本都能读。

文件夹结构别搞太深。我见过有人建“网页档案/科技/人工智能/大模型/2025/03/12/上午”这种七层目录，自己都记不住路径。两层足够：一级按年份，二级按主题。主题别超过十个，否则等于没分类。我自己的二级目录就六个：技术、商业、政策、教程、观点、杂项。每个目录里再按月份建子文件夹，比如“2025-03”。这样路径深度固定，备份的时候直接拖整个年份文件夹，不会漏。

定期清理比整理更重要。每季度翻一遍存档，删掉三类东西：已经失效的新闻（比如“某公司今天发布新品”）、重复内容的多个版本、当时觉得有用但再也没打开过的教程。我去年删了将近40%的存档，硬盘空间倒是次要的，关键是检索速度上来了。现在搜一个关键词，结果控制在二十条以内，翻两页就能找到。

备份用“3-2-1”原则：三份拷贝，两种介质，一份异地。我的做法是：本地硬盘一份，NAS一份，加密后传一份到对象存储。对象存储选冷归档层，一个月几毛钱。别用网盘同步文件夹——同步是双向的，本地误删，云端也跟着删。用rclone或者restic这类工具做单向推送，推完校验哈希值。哈希对不上，说明文件坏了，重新传。

最后说个反直觉的：不是所有网页都值得存档。我给自己定了个规矩——存之前问一句“三个月后我还会看吗？”答案是否定的，直接关掉。档案的价值在于精，不在于多。一个塞满垃圾的档案库，跟没有档案库一样。