Μετατροπή HTML σε κείμενο
Οι αποθηκευμένες ιστοσελίδες, τα newsletter και τα εξαγόμενα άρθρα βοήθειας είναι κυρίως σήμανση· οι λέξεις που σας ενδιαφέρουν χάνονται ανάμεσα στις ετικέτες. Ο μετατροπέας αφαιρεί τον κώδικα HTML και σας επιστρέφει ένα καθαρό αρχείο .txt μόνο με το αναγνώσιμο κείμενο.
Μετατροπέας εγγράφων
ή σύρετε Αρχεία PDF, DOC, DOCX … εδώ ·
Έως 95 MB ανά αρχείο· Έως 20 αρχεία· Διαγραφή μετά από 30 λεπτά
Τα αρχεία επεξεργάζονται στους διακομιστές μας και διαγράφονται μετά από 30 λεπτά.
Τα 150 DPI μετατρέπουν μια σελίδα A4 σε περίπου 1240 × 1754 px. Χρησιμοποιήστε 300 για εκτύπωση.
Μετατροπή ολόκληρου του αρχείου ή μόνο ορισμένων σελίδων ή διαφανειών (είσοδος PDF και παρουσίασης).
Σελίδες ή διαφάνειες προς μετατροπή, π.χ. 1-3, 5, 8-10.
Το UTF-8 λειτουργεί για κάθε γλώσσα. Επιλέξτε UTF-8 με BOM αν το Excel ή το Σημειωματάριο στα Windows εμφανίζει παραμορφωμένους χαρακτήρες· τις παλιές κωδικοποιήσεις μόνο για παλιό λογισμικό.
LF για macOS, Linux και επεξεργαστές κώδικα· CRLF για παλαιότερα προγράμματα των Windows, όπως το κλασικό Σημειωματάριο.
Το κόμμα είναι το πρότυπο. Χρησιμοποιήστε άνω τελεία για το Excel σε χώρες που γράφουν τα δεκαδικά με κόμμα (Γερμανία, Γαλλία, Βραζιλία).
Είσοδος Excel με πολλά φύλλα: μετατροπή όλων (μία ενότητα ή αρχείο ανά φύλλο) ή μόνο του πρώτου.
Πώς να χρησιμοποιήσετε αυτό το εργαλείο
- 1
Ανεβάστε τα αρχεία HTML
Προσθέστε έως 20 αρχεία .html ή .htm, έως 95 MB το καθένα, όπως σελίδες που αποθηκεύτηκαν από πρόγραμμα περιήγησης ή εξήχθησαν από CMS ή εργαλείο email.
- 2
Επιλέξτε κωδικοποίηση και αλλαγές γραμμής
Η Μορφοποίηση είναι ρυθμισμένη σε Μόνο κείμενο, η Κωδικοποίηση κειμένου σε UTF-8 και τα Τέλη γραμμών σε LF. Επιλέξτε CRLF αν το κείμενο θα χρησιμοποιηθεί σε παλιό πρόγραμμα των Windows.
- 3
Μετατρέψτε και χρησιμοποιήστε το κείμενο
Πατήστε Μετατροπή σε TXT και κατεβάστε ένα αρχείο κειμένου ανά σελίδα ή ένα ZIP για ολόκληρη την παρτίδα.
Ποιος είναι ο ταχύτερος τρόπος να μετατρέψετε HTML σε απλό κείμενο;
Ανεβάστε το αρχείο .html, αφήστε τη Μορφοποίηση σε Μόνο κείμενο και πατήστε Μετατροπή σε TXT. Θα πάρετε ένα αρχείο κειμένου UTF-8 με το αναγνώσιμο περιεχόμενο και χωρίς κώδικα σήμανσης.
HTML σε κείμενο: όταν η σήμανση σας εμποδίζει
Μια τυπική σελίδα άρθρου περιέχει πολύ περισσότερο κώδικα σήμανσης, scripts και στυλ από κείμενο. Σε ένα πρόγραμμα περιήγησης δεν πειράζει, παντού αλλού είναι πρόβλημα. Μνήμες μετάφρασης, ευρετήρια αναζήτησης, prompts γλωσσικών μοντέλων, scripts ανάλυσης κειμένου και έλεγχοι προσβασιμότητας θέλουν τις λέξεις, και κάθε ετικέτα, inline στυλ ή script παρακολούθησης που περνάει γίνεται θόρυβος.
Ούτε η αντιγραφή από το παράθυρο του προγράμματος περιήγησης λύνει το θέμα. Η επιλογή αρπάζει μενού και ειδοποιήσεις cookies, χάνει τις αλλαγές παραγράφων ή φέρνει αόρατη μορφοποίηση κατά την επικόλληση. Η μετατροπή του αποθηκευμένου αρχείου HTML είναι επαναλήψιμη, δουλεύει σε είκοσι σελίδες μαζί και δίνει κάθε φορά το ίδιο αποτέλεσμα.
Αν θέλετε να διατηρηθεί κάποια δομή, με επικεφαλίδες και λίστες που σημειώνονται με # και -, επιλέξτε αντί γι' αυτό το HTML σε Markdown. Για την αντίστροφη πορεία, δηλαδή να τυλίξετε απλό κείμενο σε κώδικα σήμανσης, χρησιμοποιήστε το TXT σε HTML.
Τι γίνεται κάθε μέρος της σελίδας στο αρχείο TXT
| Στο HTML | Στο αρχείο κειμένου |
|---|---|
| Παράγραφοι και επικεφαλίδες | Μπλοκ κειμένου χωρισμένα με κενές γραμμές |
| Αλλαγές γραμμής <br> | Αλλαγές γραμμής |
| Στοιχεία λίστας | Ένα στοιχείο ανά γραμμή |
| Κελιά πίνακα | Κείμενο κελιών με σειρά ανάγνωσης, σειρά προς σειρά |
| Σύνδεσμοι | Το κείμενο του συνδέσμου, χωρίς τη διεύθυνση |
| &, é και | &, é και ένα κενό χωρίς διάσπαση |
| <script>, <style>, σχόλια | Αφαιρούνται εντελώς |
| Εικόνες | Αφαιρούνται· οι εικόνες δεν έχουν μορφή κειμένου |
HTML
HyperText Markup Language
Η HTML είναι η γλώσσα σήμανσης του web, που περιγράφηκε πρώτη φορά από τον Tim Berners-Lee στις αρχές της δεκαετίας του 1990 και σήμερα συντηρείται από το WHATWG ως ζωντανό πρότυπο. Ένα αρχείο HTML περιγράφει επικεφαλίδες, παραγράφους, συνδέσμους, πίνακες, εικόνες και φόρμες, ενώ η εμφάνιση συνήθως προέρχεται από CSS. Κάθε browser την αποδίδει και χρησιμοποιείται επίσης για πρότυπα email και αποθηκευμένες ιστοσελίδες. Ένα μεμονωμένο αρχείο HTML συχνά εξαρτάται από εξωτερικές εικόνες και φύλλα στυλ, οπότε μπορεί να φαίνεται χαλασμένο όταν μετακινηθεί μόνο του.
- Συμπίεση
- –
- Διαφάνεια
- –
- Κινούμενη εικόνα
- –
- Έτος εισαγωγής
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Απλό κείμενο
Ένα αρχείο TXT περιέχει μόνο απλούς χαρακτήρες, χωρίς μορφοποίηση, γραμματοσειρές, εικόνες ή διάταξη. Τα σύγχρονα αρχεία κειμένου κωδικοποιούνται συνήθως σε UTF-8, που καλύπτει κάθε γλώσσα, ενώ τα παλαιότερα μπορεί να χρησιμοποιούν άλλες κωδικοποιήσεις και να εμφανίζουν παραμορφωμένους χαρακτήρες. Το απλό κείμενο είναι πολύ μικρό, δεν ξεπερνιέται ποτέ και ανοίγει σε κάθε συσκευή, από κινητά έως διακομιστές. Δεν μπορεί να περιέχει έντονο κείμενο, πίνακες ή εικόνες, οπότε η δομή πρέπει να εκφράζεται με κενά ή απλή σήμανση.
- Συμπίεση
- –
- Διαφάνεια
- –
- Κινούμενη εικόνα
- –
- Έτος εισαγωγής
- –
Το HTML μετατρέπεται σε απλό κείμενο όταν μετράνε μόνο οι λέξεις: για να δώσετε ένα άρθρο σε εργαλείο ανάλυσης ή μετάφρασης, να φτιάξετε σώμα κειμένων, να γράψετε το απλό τμήμα ενός email ή να μετρήσετε λέξεις χωρίς τον κώδικα σήμανσης.
Από 18 ετικέτες σε ένα διαρκώς εξελισσόμενο πρότυπο
Πώς λειτουργεί η μετατροπή HTML σε TXT
Ανάγνωση της σελίδας
Το αρχείο αναλύεται όπως το αναλύει ένα πρόγραμμα περιήγησης, με το charset που δηλώνει η σελίδα.
Αφαίρεση του κώδικα σήμανσης
Ετικέτες, scripts, στυλ και σχόλια αφαιρούνται· οι αναφορές χαρακτήρων γίνονται πραγματικοί χαρακτήρες.
Εγγραφή του κειμένου
Το αναγνώσιμο κείμενο αποθηκεύεται στην Κωδικοποίηση κειμένου και με τα Τέλη γραμμών της επιλογής σας.
Ερωτήσεις για τη μετατροπή HTML σε κείμενο
Πώς εξάγω κείμενο από HTML χωρίς να μείνει καμία ετικέτα;
Ανεβάστε το αρχείο εδώ με τη Μορφοποίηση σε Μόνο κείμενο. Οι ετικέτες, τα χαρακτηριστικά, τα scripts και τα φύλλα στυλ αφαιρούνται και οι αναφορές χαρακτήρων όπως το & γίνονται οι χαρακτήρες που αντιπροσωπεύουν.
Διατηρεί η μετατροπή HTML σε κείμενο τις διευθύνσεις των συνδέσμων;
Το ορατό κείμενο του συνδέσμου παραμένει στην πρόταση· η διεύθυνση URL πίσω από αυτό όχι. Αν χρειάζεστε τις διευθύνσεις, μετατρέψτε με το HTML σε Markdown, που γράφει τους συνδέσμους ως [κείμενο](url).
Γιατί εμφανίζονται Â ή â€™ σε κείμενο που αντιγράφηκε από ιστοσελίδα;
Πρόκειται για κείμενο UTF-8 που διαβάζεται ως Windows-1252, ένα κλασικό μπέρδεμα κωδικοποιήσεων. Ο μετατροπέας διαβάζει το charset που δηλώνει η σελίδα και γράφει καθαρό UTF-8, οπότε τα τυπογραφικά εισαγωγικά και τα κενά χωρίς διάσπαση βγαίνουν ως οι πραγματικοί χαρακτήρες.
Μπορώ να μετρήσω τις λέξεις μιας ιστοσελίδας με αυτόν τον τρόπο;
Ναι. Η μετατροπή αφαιρεί πρώτα τον κώδικα σήμανσης, τον κώδικα και το κρυφό κείμενο scripts που φουσκώνουν μια ακατέργαστη καταμέτρηση. Διαγράψτε από το .txt τις γραμμές πλοήγησης που έμειναν και επικολλήστε το σε οποιονδήποτε μετρητή λέξεων.
Είναι το απλό κείμενο η σωστή μορφή για την έκδοση κειμένου ενός newsletter;
Ναι. Πολλές πλατφόρμες email στέλνουν ένα τμήμα απλού κειμένου μαζί με το HTML και οι εφαρμογές αλληλογραφίας που δεν μπορούν ή δεν θέλουν να εμφανίσουν HTML το εμφανίζουν αντί γι' αυτό. Μετατρέψτε το HTML του newsletter και μετά τακτοποιήστε το μήκος των γραμμών πριν το επικολλήσετε στο πεδίο κειμένου.