写自己的站点规则

转网页、收藏网页时，页面里通用的文献信息（论文页的 citation_*、新闻页的结构化数据等）会先被读出来。常去的某个网站读得不全——作者没认出来、日期不对、书被当成了网页、正文混进了侧栏——可以给它写一份站点规则，写明这一站的页面是哪种文献、东西在哪。

站点规则是一份纯文本 TOML，存进 ~/.42md/siterules/，文件名就是规则的编号，比如 my-blog.toml。42md <网址> 和网页收藏都照它读。

一份最小的规则

toml

schema = "42md.siterule/2"id = "my-blog"                          # 与文件名相同label = "我的博客"match = { hosts = ["blog.example.org"], path = '^/posts/\d+$' }
[[detect]]type = "blogPost"                       # 这一站的文章页是博客文章
[item.blogPost]title  = [{ css = "h1.post-title" }]author = [{ css = ".byline a" }]issued = [{ meta = "article:published_time" }]
[[sections]]key = "body"from = [{ css = ".post-body" }]

schema = "42md.siterule/2"id = "my-blog"                          # 与文件名相同label = "我的博客"match = { hosts = ["blog.example.org"], path = '^/posts/\d+$' }
[[detect]]type = "blogPost"                       # 这一站的文章页是博客文章
[item.blogPost]title  = [{ css = "h1.post-title" }]author = [{ css = ".byline a" }]issued = [{ meta = "article:published_time" }]
[[sections]]key = "body"from = [{ css = ".post-body" }]

schema：照抄第一行。
match.hosts：哪些网站用这份规则。写 blog.example.org 时，它和它的子域都算，名字只是相像的别家网站不算。加 path 可以只让文章页用。
[[detect]]：这一站的页面是哪种文献。type 用 book（图书）、bookSection（图书章节）、journalArticle（期刊论文）、thesis（学位论文）、newspaperArticle（报纸文章）、blogPost（博客文章）、webpage（网页）。
[item.<类型>]：这种文献的条目信息，一个字段一行。能写哪些字段，跑 42md siterule schema 看；写了别的类型才有的字段，规则读不进来，并说明是哪一项。
[[sections]]：长一些的内容按节取。body 是正文；不写就照常自动找正文。
至少要取到一个必填字段（各种文献都是标题）：一个都取不到，这份规则在这一页上不算数，照通用的读法收。

一个网站有几种页面

书店的书目页、书评页长得不一样，可以写几条 [[detect]]，从上往下看，第一条对得上的为准；每条用 when 写怎么认：

toml

[[detect]]type = "book"when = { all = [  { css_exists = "#info" },  { any = [    { jsonld_type = "Book" },    { meta_equals = { name = "og:type", value = "book" } },  ] },] }
[[detect]]type = "webpage"

[[detect]]type = "book"when = { all = [  { css_exists = "#info" },  { any = [    { jsonld_type = "Book" },    { meta_equals = { name = "og:type", value = "book" } },  ] },] }
[[detect]]type = "webpage"

css_exists：页面上有这个元素；meta_equals：某个 <meta> 等于这个值；jsonld_type：页面结构化数据里有这种类型。
all 是都要成立，any 是有一个成立就行，可以套几层。取不到的一律算不成立。
最后一条不写 when，就是「别的页面都按网页收」。每种写过的类型各写一张 [item.<类型>]。

每个字段怎么取

一个字段可以列好几种取法，从前往后试，用第一个取到值的。每种取法写下面一种：

写法	取什么	例子
`meta`	页面头部 `<meta>` 的内容，按 `name` 或 `property` 找，不分大小写	`{ meta = "citation_title" }`
`css`	选择器选中的元素的文字	`{ css = "h1.title" }`
`css` + `attr`	选中元素的某个属性	`{ css = "a.journal", attr = "title" }`
`jsonld`	页面结构化数据（JSON-LD）里的值，用点隔开的路径	`{ jsonld = "author.name" }`
`info`	中文书目页常见的「标签: 值」，按标签找	`{ info = ["出版年", "出版时间"] }`
`after_heading` + `css`	某个小标题之后第一个对得上选择器的元素（到下一个小标题为止）	`{ after_heading = "作者简介", css = ".intro" }`

info 的值里有链接时，每个链接算一个值，几位作者自然就分开了；没有链接时取到换行为止的文字。

info 默认在整页里找第一个对得上的标签。书目信息都在某一块里的（比如 #info），加上 within，只在那一块里找，页面别处碰巧写着同样的标签也不会取错：

另外几项可以加在取法后面：

re：对取到的文字再用正则抽一次。有括号分组时取第一组，没有就取整个匹配：{ css = ".info", re = 'ISBN[:：]\s*([0-9Xx-]{10,17})' }。正则建议用单引号写，反斜杠不用再转义。
all = true：收全部匹配，不只第一个。作者、关键词这类有好几个值的字段用它。
literal = true：只用在作者、编者、译者这类人名字段上。取到的是机构名时写它，整个名字保留，不会被拆成「名、姓」（只把多余的空格整理掉，汉字之间的空格会去掉）：{ meta = "agency", literal = true }，「Office of the Federal Register」就照原样记作者，不会变成「Register, Office of the Federal」。

选择器、正则最长 200 字节（汉字一个算 3 字节）；JSON-LD 路径最多 8 段。

一格里写了好几个人

有的网站把几位作者写在同一格里，比如「张三，李四；王五」。人名字段（author、editor、translator 这类）和 keyword 可以加 split，按其中任一字符切开：