تبدیل HTML به متن
صفحه‌های وب ذخیره‌شده، خبرنامه‌ها و مقاله‌های راهنمای خروجی‌گرفته بیشتر از نشانهگذاری تشکیل شده‌اند و واژه‌هایی که به آن‌ها نیاز دارید لابه‌لای تگها گم شده‌اند. این مبدل HTML را حذف میکند و یک فایل .txt تمیز تحویل می‌دهد که فقط متن خواندنی را دارد.
مبدل سند
یا فایل‌های PDF, DOC, DOCX … را اینجا رها کنید ·
حداکثر 95 MB برای هر فایل· تا 20 فایل· حذف پس از 30 دقیقه
فایل‌ها روی سرورهای ما پردازش میشوند و پس از 30 دقیقه حذف میشوند.
150 DPI یک صفحه A4 را تقریباً به 1240 × 1754 px تبدیل میکند. برای چاپ از 300 استفاده کنید.
کل فایل یا فقط برخی صفحه‌ها یا اسلایدها را تبدیل کنید (برای ورودی PDF و ارائه).
صفحه‌ها یا اسلایدهای موردنظر برای تبدیل، مثلاً 1-3, 5, 8-10.
UTF-8 برای همه زبان‌ها کار میکند. اگر Excel یا Notepad در ویندوز نویسه‌ها را خراب نشان می‌دهد، UTF-8 با BOM را انتخاب کنید؛ کدگذاری‌های قدیمی فقط برای نرم‌افزارهای قدیمی است.
LF برای macOS، Linux و ویرایشگرهای کد؛ CRLF برای برنامههای قدیمی‌تر ویندوز مانند Notepad کلاسیک.
ویرگول حالت استاندارد است. برای Excel در کشورهایی که اعشار را با ویرگول مینویسند (آلمان، فرانسه، برزیل) از نقطهویرگول استفاده کنید.
ورودی Excel با چند برگه: همه را تبدیل کنید (برای هر برگه یک بخش یا فایل) یا فقط برگه اول را.
نحوه استفاده از این ابزار
- 1
فایل‌های HTML را بارگذاری کنید
تا ۲۰ فایل .html یا .htm را که هرکدام حداکثر 95 MB باشند اضافه کنید؛ مثلاً صفحه‌هایی که از مرورگر ذخیره کرده‌اید یا از یک CMS یا ابزار ایمیل خروجی گرفته‌اید.
- 2
رمزگذاری نویسه و نوع پایان خط را انتخاب کنید
گزینهٔ قالببندی روی «فقط متن»، رمزگذاری متن روی UTF-8 و پایان خطوط روی LF تنظیم شده است. اگر متن را در یک برنامهٔ قدیمی ویندوز می‌برید، CRLF را انتخاب کنید.
- 3
تبدیل کنید و از متن استفاده کنید
روی تبدیل به TXT بزنید و برای هر صفحه یک فایل متنی دانلود کنید، یا برای کل مجموعه یک فایل ZIP.
سریع‌ترین راه تبدیل HTML به متن ساده چیست؟
فایل .html را بارگذاری کنید، قالببندی را روی «فقط متن» نگه دارید و تبدیل به TXT را بزنید. یک فایل متنی UTF-8 با محتوای خواناپذیر و بدون نشانهگذاری دریافت می‌کنید.
تبدیل HTML به متن: وقتی نشانهگذاری مزاحم است
یک صفحهٔ مقالهٔ معمولی بسیار بیش از متن، نشانهگذاری، اسکریپت و استایل دارد. این در مرورگر مشکلی ندارد، اما در هر جای دیگر مشکل است. حافظه‌های ترجمه، نمایه‌های جست‌وجو، پرامپت‌های مدل زبانی، اسکریپت‌های تحلیل متن و بررسی‌های دسترس‌پذیری همه فقط کلمات را می‌خواهند و هر تگ، استایل درون‌خطی یا اسکریپت ردیابی که رد شود به نویز تبدیل می‌شود.
کپی کردن از پنجرهٔ مرورگر هم مشکل را حل نمی‌کند. انتخاب متن، منوها و اعلان کوکی را هم برمی‌دارد، شکست پاراگراف‌ها را از بین می‌برد یا هنگام چسباندن قالببندی نامرئی همراه می‌آورد. تبدیل فایل HTML ذخیره‌شده تکرارپذیر است، روی بیست صفحه هم‌زمان کار میکند و هر بار خروجی یکسان می‌دهد.
اگر می‌خواهید مقداری ساختار بماند، یعنی عنوان‌ها و فهرست‌ها با # و -، به‌جای آن تبدیل HTML به Markdown را انتخاب کنید. برای مسیر برعکس و قرار دادن متن ساده در نشانهگذاری، از تبدیل TXT به HTML استفاده کنید.
هر بخش از صفحه در فایل TXT به چه تبدیل می‌شود
| در HTML | در فایل متنی |
|---|---|
| پاراگراف‌ها و عنوان‌ها | بلوک‌های متن که با خط خالی جدا شده‌اند |
| شکست خط <br> | شکست خط |
| آیتم‌های فهرست | هر آیتم در یک خط |
| سلول‌های جدول | متن سلول‌ها به ترتیب خواندن، ردیف به ردیف |
| پیوندها | متن پیوند، بدون نشانی |
| &، é، | &، é و یک فاصلهٔ ناشکن |
| <script>، <style>، توضیحات | کاملاً حذف میشوند |
| تصاویر | حذف میشوند؛ تصویر شکل متنی ندارد |
HTML
زبان نشانهگذاری ابرمتن (HTML)
HTML زبان نشانهگذاری وب است که Tim Berners-Lee در اوایل دهه 1990 آن را توصیف کرد و اکنون WHATWG به‌صورت استاندارد زنده نگهداری‌اش میکند. یک فایل HTML عنوان‌ها، پاراگراف‌ها، پیوندها، جدول‌ها، تصاویر و فرم‌ها را توصیف میکند و ظاهر معمولاً از CSS می‌آید. همه مرورگرها آن را نمایش میدهند و برای قالب‌های ایمیل و صفحات ذخیره‌شده وب هم به کار می‌رود. یک فایل HTML اغلب به تصاویر و شیوه‌نامه‌های خارجی وابسته است، پس اگر تنها جابه‌جا شود ممکن است خراب به نظر برسد.
- فشرده‌سازی
- –
- شفافیت
- –
- انیمیشن
- –
- سال معرفی
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
متن ساده
فایل TXT فقط نویسههای ساده دارد، بدون قالببندی، فونت، تصویر یا چیدمان. فایل‌های متنی امروزی معمولاً با UTF-8 کدگذاری میشوند که همه زبان‌ها را پوشش می‌دهد، اما فایل‌های قدیمی‌تر ممکن است کدگذاری دیگری داشته باشند و نویسههای نامفهوم نشان دهند. متن ساده بسیار کم‌حجم است، هرگز منسوخ نمی‌شود و روی هر دستگاهی از گوشی تا سرور باز می‌شود. نمی‌تواند متن پررنگ، جدول یا تصویر داشته باشد، پس ساختار باید با فاصله‌گذاری یا نشانهگذاری ساده بیان شود.
- فشرده‌سازی
- –
- شفافیت
- –
- انیمیشن
- –
- سال معرفی
- –
وقتی فقط خود کلمات مهم‌اند، HTML به متن ساده تبدیل می‌شود: دادن یک مقاله به ابزار تحلیل یا ترجمه، ساخت پیکرهٔ متنی، نوشتن بخش متن ساده برای ایمیل، یا شمردن کلمات بدون نشانهگذاری.
از ۱۸ تگ تا یک استاندارد زنده
تبدیل HTML به TXT چگونه انجام می‌شود
خواندن صفحه
فایل همان‌طور که مرورگر تجزیه میکند و با charset اعلامشدهٔ صفحه تجزیه می‌شود.
حذف نشانهگذاری
تگها، اسکریپتها، استایل‌ها و توضیحات حذف میشوند؛ ارجاعهای نویسه به نویسههای واقعی تبدیل میشوند.
نوشتن متن
متن خواناپذیر با رمزگذاری متن و پایان خطوط دلخواه شما ذخیره می‌شود.
پرسش‌های رایج دربارهٔ تبدیل HTML به متن
چگونه متن را از HTML بدون باقی ماندن هیچ تگی استخراج کنم؟
فایل را همینجا بارگذاری کنید و قالببندی را روی «فقط متن» بگذارید. تگها، ویژگیها، اسکریپتها و شیوهنامهها حذف میشوند و ارجاعهای نویسه مانند & به نویسهای که نمایندهاش هستند تبدیل میشوند.
آیا تبدیل HTML به متن نشانی پیوندها را حفظ میکند؟
متن قابلمشاهدهٔ پیوند در جمله میماند، اما نشانی پشت آن نه. اگر به نشانیها نیاز دارید، با تبدیل HTML به Markdown تبدیل کنید که پیوندها را به شکل [text](url) مینویسد.
علت نمایش  یا ’ در متنی که از صفحهٔ وب کپی شده چیست؟
این همان متن UTF-8 است که بهعنوان Windows-1252 خوانده شده؛ یک اشتباه کلاسیک در رمزگذاری. مبدل، charset اعلامشدهٔ صفحه را میخواند و UTF-8 تمیز مینویسد، پس گیومههای خمیده و فاصلههای ناشکن به شکل نویسههای واقعی درمیآیند.
آیا میتوانم به این روش واژههای یک صفحهٔ وب را بشمارم؟
بله. تبدیل، ابتدا نشانهگذاری، کد و متن پنهان اسکریپت را که شمارش خام را بالا میبرند حذف میکند. خطهای باقیماندهٔ منو را از فایل .txt پاک کنید و سپس آن را در هر شمارندهٔ کلمه بچسبانید.
آیا متن ساده فرمت مناسبی برای نسخهٔ متنی خبرنامه است؟
بله. بسیاری از سرویسهای ایمیل کنار HTML یک بخش متن ساده هم میفرستند و برنامههای ایمیلی که نمیتوانند یا نمیخواهند HTML نمایش دهند، همان را نشان میدهند. HTML خبرنامه را تبدیل کنید و پیش از چسباندن در فیلد متن، طول خطوط را مرتب کنید.