企业官网建设流程全解析

硬盘里那个叫 tech-archive 的目录，是我这几年陆陆续续攒下来的技术资料库，里面躺着八百多个 PDF。最早的几份是几年前从 CSDN 博客上存下来的单片机配置笔记，去年我想回头查其中一个寄存器地址，点开原链接——文章已经被作者删了，评论区只剩一句"内容已迁移"。从那天起，把 CSDN 文章转成 PDF 归档就成了我的固定动作：找到一篇值得留下的技术文章，把它变成一份不依赖网络、不怕删改、能随时翻、能直接打印做标注的 PDF 文件。这篇内容就是把这套流程完整拆开讲清楚，包括什么时候该转、页面里有哪些坑、浏览器打印的参数怎么填、批量导出用什么脚本、转完怎么验收质量。不管你是刚开始收集资料的新手，还是已经存了几百份文件想升级工作流的人，都能直接照着做。

1. 先把"值不值得转"这件事想明白

我见过太多人一上来就研究工具，结果存了三百个 PDF 再也没打开过。转 PDF 这个动作本身不贵，但管理和检索的成本会随着数量线性增长，所以第一步不是动手，是筛选。

1.1 三类真正值得落成本地 PDF 的文章

我自己的判断标准很粗暴，只有满足下面任意一条才会转：

• 含可复现的操作步骤。比如某个环境的完整安装流程、某个报错的处理链路、某个参数的调优过程。这类内容一旦原文改动或者配图挂掉，价值直接归零，必须本地留一份。
• 含配置清单、参数表、命令集合。这类内容我经常要在没有外网的机器上对照着敲，PDF 是最省事的形式，不用来回切窗口。
• 成系列的教程。单篇可以靠收藏夹，但一个十几篇的系列教程如果分散在各个收藏里，半年后你根本找不到第三篇在哪。合成一份 PDF 反而形成了天然的目录。

反过来，纯资讯类、观点评论类、以及那些每年都会被新版本推翻的"某版本新特性速览"，我基本不存。这类内容生命周期太短，存下来只会污染你的资料库。

1.2 一个筛选清单，三十秒决定去留

为了不在这件事上纠结，我给自己定了一张表，看完文章扫一眼就能定：

提示：如果一篇文章你犹豫超过十秒，那基本就是不需要。真正有用的文章，你看到一半就会想"这个得存下来"。

1.3 转 PDF 之外的第一个备选方案

顺便说一句，不是所有情况都要转 PDF。如果文章只有几百字、纯粹是个命令备忘，直接复制到本地笔记里比转 PDF 快十倍。PDF 的优势在于保留原始排版、图文位置和代码高亮，当你需要"看到作者原本长什么样"的时候，它才不可替代。我一般是这样分工的：短备忘进笔记，长教程和图文混排的进 PDF。

2. 转换之前，得先摸清页面到底是怎么渲染的

很多人打印出来发现缺图、缺代码、排版错乱，八成不是工具的问题，是没搞清楚页面结构就下手了。这一步花五分钟，能省掉后面反复重来的时间。

2.1 服务端直出和前端动态渲染的区别

技术博客的正文渲染大致分两类。一类是打开页面时 HTML 里就已经带着完整正文，浏览器右键"查看网页源代码"就能看到全部文字；另一类是先给个空壳，正文靠脚本在浏览器里动态拼出来。这两类在处理手法上完全不同：

• 前者简单，浏览器打印、命令行工具、简单脚本都能拿到完整内容。
• 后者麻烦，如果你用不带浏览器内核的工具直接抓，拿到的往往是个空白页或者只有标题。

判断方法很直接：打开开发者工具，禁用 JavaScript 刷新一次页面。如果正文还在，就是第一类；如果正文消失只剩导航，就是第二类，必须用带渲染引擎的方案。

2.2 懒加载图片和折叠代码块

这是最容易吃亏的两个地方。图片懒加载意味着你停留在页面顶部时，下面的图还没加载出来，这时候直接按打印，下半部分的插图会是空框。解决办法是先手动滚到页面底部，等所有图都渲染完，再回到顶部打印。

折叠代码块更隐蔽。有些文章的代码默认只显示几行，要点击"展开"才显示全部。打印前必须把所有折叠项点开，否则你存下来的 PDF 里，最关键的那段代码刚好被省略号截掉了。批量处理时这一步尤其要注意，脚本里必须加一步"点击所有展开按钮"。

2.3 关于需要登录才能查看的内容

有些文章或专栏需要登录后、甚至是订阅后才能看全文。这里的态度要明确：正常登录自己的账号，把你有权访问的内容导出来自用，这是合理的个人归档行为；但如果内容本身需要付费授权，那就老老实实付费，不要试图绕过任何访问控制。另外，导出后只在个人设备上阅读使用，不要二次分发或者上传到公开渠道，这是基本的分寸。

3. 浏览器打印这条路，参数怎么填才不出废页

浏览器自带的打印成 PDF 是所有方案里门槛最低的，Windows 上一般对应"Microsoft Print to PDF"这个虚拟打印机，Mac 和 Linux 上就是系统自带的"存储为 PDF"。但默认参数打出来的东西基本没法看：左右各一条侧边栏，底部一堆推荐阅读，代码块被拦腰砍断。下面是我摸索出来的一套固定流程。

3.1 打印预览打开后先做三项清理

按 Ctrl+P 或者 Cmd+P 之后，别急着点保存，先处理这三件事：

1. 砍掉非正文区域。最省事的办法是开启浏览器的"阅读模式"（地址栏右侧那个像书本的图标），它会把导航、侧栏、评论区、广告全部剥掉，只留正文。如果阅读模式识别失败，就退回手动方案：在开发者工具里选中要隐藏的区块，按 Delete 键临时删掉，注意这个操作只在当前页面会话有效，刷新就恢复，所以删完立刻打印。
2. 展开全部折叠内容。回到页面上把所有"展开全文""显示更多"的按钮点一遍。
3. 触发所有懒加载图片。从顶部匀速滚到底部再滚回来，或者在开发者工具的 Console 里执行一次滚动脚本，确保图片全部加载。

3.2 页边距、缩放和背景图形这三个参数

打印对话框里那几个不起眼的选项，直接决定了成品质量。我用下来最稳的一组配置是：

注意：缩放低于 75% 之后正文会明显变小，屏幕上读起来很累。如果 90% 仍然有横向截断，问题不在缩放，而在代码块本身不支持换行，得用下一节的 CSS 方案解决。

3.3 代码块被拦腰截断的修复手法

这是最让人抓狂的问题：一段五十行的代码，打印出来第一页尾巴断在第十二行，第二页开头接着第十三行，中间还会插进一个页眉。修复思路是往页面里注入一段打印专用样式，告诉浏览器"代码块和图片不要跨页断开"。

具体做法是打开开发者工具的 Console，粘贴执行下面这段：

const style = document.createElement('style'); style.textContent = ` @media print { pre, code, blockquote, table, figure, img { break-inside: avoid !important; page-break-inside: avoid !important; } pre { white-space: pre-wrap !important; word-break: break-all !important; font-size: 11px !important; line-height: 1.4 !important; } table { font-size: 11px !important; } h1, h2, h3 { break-after: avoid !important; } body { -webkit-print-color-adjust: exact !important; print-color-adjust: exact !important; } } `; document.head.appendChild(style);

其中break-inside: avoid是核心，它让代码块、图片、表格尽量保持在同一页内；white-space: pre-wrap让超长代码行自动折行，避免横向被裁；最后一行print-color-adjust: exact是强制保留背景色，某些浏览器里光勾选"背景图形"还不够，得靠它兜底。执行完这段再按 Ctrl+P，会发现断裂问题基本消失，代价只是页数多一点，这对电子存档完全值得。

3.4 关于页码，浏览器原生确实没有

浏览器打印出来的 PDF 默认不带页码，长文档翻起来不方便。两个补救办法：一是装一个能生成页码的打印辅助扩展，在保存时自动在页脚叠加；二是先用浏览器导出 PDF，再用任意一款 PDF 编辑器批量添加页码。我一般用第二种，因为可以顺手在封面加个标题和归档日期，做成一份像样的文档。这一步不算刚需，但如果你打算长期归档，加上页码和标题页会让检索体验好很多。

4. 从单篇到整栏目：批量导出的实现路径

单篇靠浏览器打印够了，但当你想把一个系列、一个专栏甚至一个作者的全部教程一次性存下来时，手动操作就完全不现实了。这时候就得上自动化。

4.1 三种批量方案的实际取舍

我把能想到的路子都试了一遍，结论如下：

我的建议是：如果你只是偶尔存几篇，装个支持"批量打印当前标签页"的扩展就够了，把所有要存的文章在标签页里打开，一次性导出。如果你要定期归档，或者需要处理上百篇，那就直接上脚本，一次投入换来长期省事。

4.2 用无头浏览器跑批量导出

下面这份脚本是我自己一直在用的，基于 Python 加 Playwright，核心逻辑是：逐个打开文章链接，等页面渲染完成，展开所有折叠块，滚到底部触发懒加载，最后调用浏览器的原生打印接口输出 PDF。

import asyncio from pathlib import Path from playwright.async_api import async_playwright URLS_FILE = "urls.txt" OUT_DIR = Path("pdf_out") OUT_DIR.mkdir(exist_ok=True) PRINT_CSS = """ @media print { pre, code, table, figure, img { break-inside: avoid !important; } pre { white-space: pre-wrap !important; word-break: break-all !important; } body { -webkit-print-color-adjust: exact !important; } } """ async def save_one(page, url, idx): await page.goto(url, wait_until="networkidle", timeout=60000) # 展开所有折叠代码块，选择器需按实际页面结构调整 for sel in [".show-more", ".read-more", ".code-expand"]: for btn in await page.query_selector_all(sel): try: await btn.click() except Exception: pass # 滚到底部触发懒加载 await page.evaluate(""" async () => { for (let y = 0; y < document.body.scrollHeight; y += 600) { window.scrollTo(0, y); await new Promise(r => setTimeout(r, 150)); } window.scrollTo(0, 0); } """) await page.add_style_tag(content=PRINT_CSS) title = (await page.title())[:60].replace("/", "_").replace("\\", "_") out = OUT_DIR / f"{idx:03d}_{title}.pdf" await page.pdf( path=str(out), format="A4", print_background=True, margin={"top": "12mm", "bottom": "14mm", "left": "10mm", "right": "10mm"}, scale=0.9, ) print(f"done -> {out}") async def main(): urls = [u.strip() for u in Path(URLS_FILE).read_text(encoding="utf-8").splitlines() if u.strip()] async with async_playwright() as p: browser = await p.chromium.launch() page = await browser.new_page(viewport={"width": 1280, "height": 900}) for i, url in enumerate(urls, 1): try: await save_one(page, url, i) except Exception as e: print(f"fail {url}: {e}") await asyncio.sleep(2) await browser.close() asyncio.run(main())

几个关键参数值得单独说。wait_until="networkidle"是等网络请求静默下来，这一步比单纯等几秒可靠得多，因为不同文章的图片数量差别很大。print_background=True对应打印对话框里的"背景图形"，少了它代码高亮就没了。scale=0.9是全局缩放，和前面手动打印时的建议一致。两个sleep是我踩坑之后加的：连续快速请求同一站点很容易被限流，间隔两秒能显著降低失败率。至于那几个折叠按钮的选择器，我写的是常见命名，实际用之前你必须打开开发者工具确认一遍，因为这类类名会不定期调整。

4.3 文件命名和目录分层，别等到五百个文件才后悔

文件名混乱是归档最大的敌人。我的规则是"序号_标题关键词_日期"，比如012_环境配置与依赖安装_20240411.pdf。序号保证目录里的顺序稳定，标题关键词保证肉眼可见，日期保证你以后能看出这份资料的新旧。

目录按"主题/子主题"两层分就够了，超过三层你会懒得点进去。比如：

tech-archive/ embedded/ mcu-config/ peripheral-driver/ backend/ database/ deployment/ tooling/ build-system/

提示：别用中文特殊符号做文件名，跨设备同步和某些命令行工具会出问题。空格也尽量换成下划线。

5. 导出之后的验收：六个必须过一遍的检查点

很多人转完就直接扔进文件夹了，等到真正需要用的那天才发现缺图或者文字选不中。我现在的习惯是每转一批，抽几份过一遍验收清单。

5.1 六个检查项的具体标准

最后一项特别值得说。"只有几十 KB"往往意味着图全丢了，"超过 30MB"则通常是某张未压缩的大图被原样嵌入。我遇到过一篇带四十多张截图的教程，导出后 68MB，翻页卡顿，后来用 PDF 编辑器的图片压缩功能降到 4MB，屏幕上完全看不出差别。

5.2 文字图层：为什么有的 PDF 搜不了

如果 PDF 是用浏览器原生打印生成的，正文一定是矢量文字，可以选中、可以搜索、可以复制。但如果你走的是一些"截图拼接成 PDF"的野路子，整份文件就是一堆位图，搜索功能直接废掉，体积还会暴涨。这也是我一直推荐浏览器原生打印而不是截图方案的原因——同样是存档，能不能搜索是质变。

顺带说一个细节：代码里的连字符和引号有时会被排版规则换成全角字符，导致你复制出来粘贴运行会报错。验收时随手复制两行代码到编辑器里跑一下，能提前发现这个问题。

5.3 公式、图表和宽表格的还原度

技术文章里的数学公式和架构图是最容易被破坏的部分。公式如果原本是用脚本渲染的，打印时可能变成一堆乱码或者位置错位；宽表格和横向流程图在 A4 宽度下几乎必然被裁。

对付宽表格，除了前面提到的缩放和pre-wrap，还有一个办法：把纸张方向临时改成横向，只对这一页生效。浏览器打印支持按页设置，虽然操作稍麻烦，但对那几张确实很宽的表，是唯一不丢内容的选择。至于架构图，如果导出后线条丢失或者文字重叠，我的做法是单独把那张图另存为 PNG，和 PDF 放在同一个目录里，文件名保持一致。看起来不够优雅，但实用。

6. 存下来之后：让这些 PDF 真正能被用起来

归档不是终点，如果五百份 PDF 躺在硬盘里从来打不开，那前面的工作全是白费。这几年我摸索出几个让资料库保持"活着"的习惯，分享给你。

6.1 给资料库建一份索引，比什么都重要

我用的是一份 Markdown 索引文件，每次新增 PDF 就补一行，记录文件名、主题、来源和一句话备注。听起来很笨，但它解决了最关键的问题：三个月后你根本不记得自己存过什么。有了索引，用编辑器全局搜索就能找到，比在文件管理器里翻快得多。索引格式大概是这样：

- [012] 环境配置与依赖安装 | embedded/mcu-config | 2024-04-11 | 记录了交叉编译工具链的坑 - [013] 串口通信调试记录 | embedded/peripheral-driver | 2024-04-13 | 含示波器波形图

6.2 和笔记工具联动的两种做法

第一种是把 PDF 当成附件挂进笔记，笔记里只写"这篇解决了什么问题"，正文留在 PDF 里。第二种是把 PDF 里最关键的几段代码和结论摘抄到笔记，PDF 作为原始出处备查。我两种都在用：原理性的内容走第一种，操作性内容走第二种，因为操作步骤我迟早要复制出来用，提前摘一遍省事。

如果你用的是支持 PDF 批注的阅读器，还有个额外收益：读的时候顺手高亮和写批注，几个月后回看，那些标记就是你自己写的第二版笔记，比原文章有用得多。

6.3 自用归档的边界感

最后必须提一句。把公开的技术文章转成 PDF 放在自己电脑上阅读、做笔记、打印，这是正常的学习行为。但如果要转发给别人、发到群里、或者传到公开网盘，就涉及作者的权利了，尤其是有明确版权声明或者付费专栏的内容。我的原则很简单：只存自己看得，不在任何公开渠道二次分发，引用的时候注明出处和原文链接。这个分寸守住了，归档这件事才能做得长久。

对了，还有一个我用了很久的小技巧：每份 PDF 存下来之后，我会在文件的元数据里补上原文标题和链接。浏览器导出的 PDF 元数据基本是空白的，用任意 PDF 编辑器填一下，以后就算文件名被改乱了，点开属性还能顺藤摸瓜找回原文。这一步只花十秒钟，但在我身上至少救回过七八份"不知道从哪来的"文件。