從 Google 文件裡弄出乾淨的 HTML

這是最先把人繞住的一步：從文件選單裡「下載 → 網頁」，給你的是一個 zip，裡面是一份完整的 HTML 文件加一份內嵌樣式表 —— 整頁連樣式一起。

你要的是剪貼簿。在文件裡選取內容複製，剪貼簿上會放一份 RTF 格式的 HTML，那一份帶著結構而不帶樣式表。

Google 的剪貼簿 HTML 幾乎給每個元素都掛了 class —— c0、c1、c17，清單項目上還有 lst-kix_ 開頭的。它們是按每份文件產生的，指向的 CSS 留在文件那邊。

所以它們不只是雜訊，而是死引用：在你的頁面上什麼都不做，會跟你自己的 class 名稱撞車，還讓這段標記在你要改的時候沒辦法讀。

清理是按樣式來的 —— c 加數字、lst-kix_ 開頭的任何東西、docs-internal-guid 的 id。你自己的 class 如果混在裡面，不動。

文件會把複製的內容裹進一個 <b style="font-weight:normal">。這是個明確關掉了粗體的 <b> 標籤 —— 編輯器內部記錄格式的方式導致的怪東西。

把它貼到任何會剝掉 style 屬性的地方（大多數 CMS 都會），整塊就變粗了。這兒的做法是把這個標籤拆掉而不是留著，於是內容出來的嵌套層級就是它本來該有的那個。

同一遍還會刪掉 class 名稱清掉之後剩下的空 <span>。就是它們讓兩段文字貼出來有十二行。

文件裡的連結出來指向的是 google.com/url?q=https://example.com/…，而不是目標網址。Google 拿它在編輯器裡統計點擊。

發到頁面上，意思就是你網站上每一條外連都繞一趟 Google、狀態列裡顯示的網址是錯的，而且那個轉址器哪天變了連結就全斷。

這層外殼會被拆回真正的目標網址，嵌套了幾層就拆幾層。追蹤參數也一起走 —— utm_source 那一家子、gclid、fbclid，還有另外幾個。

標題、段落、清單、表格、連結、粗體斜體 —— 換句話說，那份文件。程式、事件處理器、行內樣式都沒了，因為剪貼簿 HTML 可能來自網路上任何一頁，一律當不可信輸入處理。

有兩件事清理器留給你。Google 那些空佔位段落會以 <p></p> 的形式過來，不要的自己刪。還有文件裡的圖片存在 Google 伺服器上，網址是會過期的 —— 下載下來自己託管，不然過些日子它們會從你的頁面上消失。