kage：用「渲染快照 + 剥离 JS」解决网页离线存档的终极痛点
kage：用「渲染快照 + 剥离 JS」解决网页离线存档的终极痛点
核心观点
浏览器的「另存为」坏掉了十几年，根本原因从未被正面解决——它保存的是 HTML 源码，而现代网页的实际内容存在于 JavaScript 执行后的 DOM 里。kage 换了一条路：驱动真实的 headless Chrome 把页面跑完，抓下渲染结果，然后把所有脚本连根拔掉，只留下 HTML + CSS + 图片 + 字体的本地镜像。这不是修补「另存为」，而是从根本上替换它。
技术机制：关键巧妙之处
kage 的核心不在于爬虫本身，而在于渲染与剥离的时序：先让 Chrome 把所有 JS 都跑完（包括异步请求、懒加载、SPA 路由），DOM 稳定后再截取这个「人眼能看见的快照」，然后才做资源本地化和脚本清除。
这个顺序至关重要——传统爬虫（wget、HTTrack）在 JS 执行之前就截走 HTML，所以 React/Vue 渲染出来的内容一片空白。kage 的方案使得即使是动态生成的文章内容、懒加载的图片，都能被完整捕获。
工作流四步走：
# 第一步：克隆整站（宽度优先爬取，遵守 robots.txt） kage clone paulgraham.com --max-pages 50 --scroll # 第二步：本地预览 kage serve $HOME/data/kage/paulgraham.com # → http://127.0.0.1:8800 # 第三步：打包为 ZIM 归档（开放格式，Kiwix 生态通用） kage pack paulgraham.com # → paulgraham.com.zim # 第四步：打包为自包含可执行文件（无需任何依赖） kage pack paulgraham.com --format binary -o paulgraham ./paulgraham # 直接运行，自带服务幂等性设计值得单独一提：同一篇文章无论通过 http/https、有无 trailing slash 被抓到，都写入同一个文件，Ctrl-C 中断后重启会断点续传，--refresh增量更新，--force全量重建。这让 kage 可以被放进定期任务里，像订阅一样持续维护镜像。
历史对比：比前辈强在哪，牺牲了什么
| 工具 | 机制 | JS 渲染 | 整站爬取 | 离线可用 |
|---|---|---|---|---|
| 浏览器「另存为」 | 截 HTML 源码 | ❌ | ❌ | 经常空白 |
| wget -mpk | 递归下载静态资源 | ❌ | ✅ | SPA 失败 |
| HTTrack | 同 wget 类路线 | ❌ | ✅ | 同上 |
| SingleFile（浏览器扩展） | 截渲染后 DOM | ✅ | ❌ 单页 | ✅ |
| kage | headless Chrome 渲染 + 剥 JS | ✅ | ✅ | ✅ |
代价是清晰的：交互功能完全丢失。删掉脚本意味着登录、评论、站内搜索、表单、地图全部失效。kage 存下来的是「阅读态」而非「使用态」——这是有意为之的取舍，而不是缺陷。ZIM 格式的另一个已知限制是不带全文搜索索引（Kiwix 官方内容包有，kage 生成的没有），这让大型归档站内检索变得不便。
关键特性速览
打包格式三选一：
.zim：开放格式，Kiwix 生态完全兼容，可在手机/桌面/服务器跨平台读取，不绑定 kage，十年后仍可开binary：约 13 MB 基础体积 + 站点内容，无需任何安装，跨系统分发（从 Mac 打包一个 Windows.exe完全可行）--app：macOS 生成.appbundle，Linux 生成 AppImage，Windows 生成无控制台 GUI 程序，双击即打开站点
爬取控制参数（实用优先）：
--max-pages 50 # 只抓 50 页，快速预览 --max-depth 2 # 只跟进两层链接 --scope-prefix /doc # 只爬 /doc 路径下的内容 --subdomains # 把子域名也纳入范围 --scroll # 自动滚动，触发懒加载图片 --workers 4 # 并发渲染页数（默认4） --crawl-delay 0s # 覆写 robots.txt 的 Crawl-delay交叉验证
信源一：ic.work 技术资讯（《Kage 开源：把动态网站渲染成无脚本离线包》，2025年6月15日）
该文独立评价了 kage 的核心机制，与原文观点高度一致，并补充了一个有价值的框架性判断：「你要保存的是『内容』还是『功能』？」这个问题比原文更精炼地划定了 kage 的适用边界。该文同样指出 ZIM 无全文搜索索引的限制，且对「跨平台分发」打了一个折扣——自包含可执行文件仍需对应架构的基础二进制，并非真正万能单文件。与原文叙述一致，无明显反驳。
信源二：h3blog 评测文章（《超1000星！13MB打包整个网站、剥离所有JS，这个Go工具刷爆HN》，2025年6月16日）
该文提供了社区反应数据：kage 在 Hacker News 获得 609 分、119 条讨论，不到 24 小时破千星，说明它触及的是开发者社区真实存在的长期痛点。更重要的是，该文作者坦率指出：对 Twitter、Notion、Figma 这类重度 SPA，kage 原理上就「不太行」——因为删掉 JS 之后交互逻辑消失，残留的 DOM 快照几乎没有可读价值。这是原文 GitHub README 里未充分强调的边界，是对原文的有效补充而非反驳。
综合判断：两个独立信源与原文核心立场吻合，但共同在「重度 JS SPA 场景」和「ZIM 搜索索引缺失」两点上提供了原文刻意淡化的局限，读者需留意。
个人启发
对开发者 / 技术用户的直接动作建议：
立刻可做的：把你长期依赖的文档站（Go 官方文档、MDN、某个即将下线的开源项目文档）用
kage clone --scope-prefix /docs做一份镜像。成本极低，ZIM 格式保证十年后仍可读。判断使用场景：如果你要归档的是博客、文档、新闻、Wikipedia 镜像——kage 是目前最省力的方案；如果你要「复制功能」（让一个 Web App 离线可用），kage 解决不了这个问题，那是 PWA / Service Worker 的领域。
分发场景：给非技术背景的人分享技术资料，
--format binary --app打出一个双击即开的应用，比发一堆 HTML 文件夹靠谱得多。Docker 优先：在 CI/CD 或服务器上定期归档，用容器镜像跳过 Chrome 安装环境配置问题，是最干净的用法。
延伸思考
「渲染后快照」会成为新的存档标准吗？Wayback Machine 目前存的是 HTTP 原始响应（源码），无法复现 SPA 渲染结果。如果 kage 这套思路被互联网档案馆这类机构采纳，数字保存领域会迎来一次范式迁移——但随之而来的是存储成本骤增（渲染比抓取慢 10-100 倍），这个矛盾如何解决值得关注。
剥离 JS 的「安全归档」属性有多大价值？kage 存下来的文件不会「回拨」任何网络请求，这让它天然成为一种隔离阅读方案——用于审计可疑页面、保存证据材料、或者在敏感环境中分发受信内容都有潜力，这个维度原文几乎没有提及，但可能是其隐藏的高价值场景。
ZIM 生态的冷门价值：Kiwix 已经把 Wikipedia 全库、Stack Overflow、Project Gutenberg 打包成 ZIM 分发给无网络地区的学校。kage 让普通用户也能生产 ZIM 文件，这意味着「个人知识归档 → ZIM → Kiwix 生态分发」这条链路首次变得平民化——技术内容创作者是否会开始提供官方 ZIM 下载，是一个值得观察的趋势。
📚 参考来源
- GitHub - tamnd/kage: Shadow any website for offline viewing, with the JavaScript stripped out · GitHub