Převod HTML na text
Uložené webové stránky, newslettery a exportované články nápovědy tvoří hlavně značky a slova, o která vám jde, jsou schovaná mezi tagy. Tento převodník HTML odstraní a vrátí čistý soubor .txt jen s čitelným textem.
Převodník dokumentů
nebo sem přetáhněte soubory PDF, DOC, DOCX … ·
Max. 95 MB na soubor· Až 20 souborů· Smazáno po 30 minutách
Soubory se zpracovávají na našich serverech a po 30 minutách se smažou.
150 DPI změní stránku A4 na zhruba 1240 × 1754 px. Pro tisk použijte 300.
Převést celý soubor, nebo jen některé stránky či snímky (vstup PDF a prezentace).
Stránky nebo snímky k převodu, např. 1-3, 5, 8-10.
UTF-8 funguje pro všechny jazyky. Zvolte UTF-8 s BOM, pokud Excel nebo Poznámkový blok ve Windows zobrazuje rozbité znaky; starší kódování jen pro starý software.
LF pro macOS, Linux a editory kódu; CRLF pro starší programy ve Windows, například klasický Poznámkový blok.
Standardem je čárka. Středník použijte pro Excel v zemích, kde se desetinná místa píší s čárkou (Německo, Francie, Brazílie).
Vstup Excel s více listy: převést všechny (jedna sekce nebo soubor na list), nebo jen první.
Jak nástroj používat
- 1
Nahrajte soubory HTML
Přidejte až 20 souborů .html nebo .htm, každý do velikosti 95 MB, například stránky uložené z prohlížeče nebo exportované z redakčního systému či e-mailového nástroje.
- 2
Zvolte kódování a konce řádků
Formátování je nastaveno na Pouze text, Kódování textu na UTF-8 a Konce řádků na LF. Pokud text půjde do starého programu pro Windows, zvolte CRLF.
- 3
Převeďte soubory a použijte text
Stiskněte Převést na TXT a stáhněte si jeden textový soubor pro každou stránku, nebo ZIP pro celou dávku.
Jak nejrychleji převést HTML na čistý text?
Nahrajte soubor .html, nechte Formátování na Pouze text a stiskněte Převést na TXT. Získáte textový soubor v UTF-8 s čitelným obsahem bez jakýchkoli značek.
HTML na text: když značky překážejí
Typická stránka s článkem obsahuje mnohem víc značek, skriptů a stylů než samotného textu. V prohlížeči to nevadí, jinde je to problém. Překladové paměti, vyhledávací indexy, prompty pro jazykové modely, skripty pro analýzu textu i kontroly přístupnosti chtějí slova a každá značka, vložený styl nebo sledovací skript, který proklouzne, se stane šumem.
Kopírování z okna prohlížeče to také nevyřeší. Výběr zachytí nabídky a cookie lišty, ztratí zalomení odstavců nebo při vložení přitáhne neviditelné formátování. Převod uloženého souboru HTML je opakovatelný, zvládne dvacet stránek najednou a ppokaždé dá stejný výsledek.
Pokud chcete zachovat část struktury, tedy nadpisy a seznamy označené # a -, zvolte raději HTML do Markdownu. Pro opačný směr, tedy obalení prostého textu značkami, použijte TXT do HTML.
Co se z jednotlivých částí stránky stane v souboru TXT
| V HTML | V textovém souboru |
|---|---|
| Odstavce a nadpisy | Bloky textu oddělené prázdnými řádky |
| Zalomení řádku <br> | Zalomení řádků |
| Položky seznamu | Jedna položka na řádek |
| Buňky tabulky | Text buněk v pořadí čtení, řádek po řádku |
| Odkazy | Text odkazu bez adresy |
| & / é / | &, é a nezlomitelná mezera |
| <script>, <style>, komentáře | Odstraněny úplně |
| Obrázky | Odstraněny; obrázky nemají textovou podobu |
HTML
HyperText Markup Language
HTML je značkovací jazyk webu, který poprvé popsal Tim Berners-Lee na počátku 90. let a dnes jej spravuje WHATWG jako živý standard. Soubor HTML popisuje nadpisy, odstavce, odkazy, tabulky, obrázky a formuláře, zatímco vzhled obvykle zajišťuje CSS. Vykreslí jej každý prohlížeč a používá se také pro e-mailové šablony a uložené webové stránky. Jeden soubor HTML často závisí na externích obrázcích a stylech, takže po samostatném přenesení může vypadat rozbitě.
- Komprese
- –
- Průhlednost
- –
- Animace
- –
- Představeno
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Prostý text
Soubor TXT obsahuje pouze prosté znaky bez formátování, písem, obrázků či rozvržení. Moderní textové soubory bývají kódované v UTF-8, které pokrývá všechny jazyky, starší soubory ale mohou používat jiná kódování a zobrazit nesmyslné znaky. Prostý text je drobný, nikdy nezastará a otevře se na každém zařízení od telefonů po servery. Neobsahuje tučné písmo, tabulky ani obrázky, takže strukturu je nutné vyjádřit mezerami nebo jednoduchým značkováním.
- Komprese
- –
- Průhlednost
- –
- Animace
- –
- Představeno
- –
HTML se zbavuje značek, když záleží jen na slovech: při vkládání článku do analytického nebo překladového nástroje, tvorbě textového korpusu, psaní čisté textové části e-mailu nebo počítání slov bez značek.
Od 18 tagů k živému standardu
Jak funguje převod HTML do TXT
Načtení stránky
Soubor se zpracuje stejně jako v prohlížeči, se znakovou sadou, kterou stránka uvádí.
Odstranění značek
Značky, skripty, styly a komentáře zmizí; znakové entity se změní na skutečné znaky.
Zápis textu
Čitelný text se uloží v nastaveném Kódování textu s vámi zvolenými Konci řádků.
Otázky k převodu HTML na text
Jak získat text z HTML tak, aby nezůstaly žádné tagy?
Nahrajte soubor zde a nechte Formátování nastavené na Pouze text. Značky, atributy, skripty a styly se odstraní a znakové entity, například &, se změní na znaky, které zastupují.
Zachová převod HTML na text adresy odkazů?
Viditelný text odkazu zůstane ve větě, adresa URL za ním ne. Pokud adresy potřebujete, převeďte soubor pomocí HTML do Markdownu, který zapisuje odkazy jako [text](url).
Proč se v textu zkopírovaném z webu objevuje  nebo ’?
To je text v UTF-8 načtený jako Windows-1252, klasický zmatek v kódování. Převodník přečte znakovou sadu uvedenou na stránce a zapíše čisté UTF-8, takže typografické uvozovky a nezlomitelné mezery vyjdou jako správné znaky.
Dají se takto spočítat slova na webové stránce?
Ano. Převodem se nejdřív odstraní značky, kód a skrytý text skriptů, které surový počet nafukují. Zbylé řádky navigace z .txt smažte a text vložte do libovolné počítadla slov.
Je prostý text vhodný formát pro textovou verzi newsletteru?
Ano. Mnoho e-mailových platforem posílá vedle HTML i textovou část a poštovní klienti, kteří HTML nezobrazí nebo nechtějí zobrazit, ukážou ji místo něj. Převeďte HTML newsletteru a před vložením do textového pole upravte délku řádků.