HTMLをテキストに変換
保存したWebページやメールマガジン、エクスポートしたヘルプ記事は大半がマークアップで、必要な文章はタグの間に埋もれています。このツールはHTMLを取り除き、読める文章だけを含むきれいな.txtファイルを返します。
文書変換
またはPDF, DOC, DOCX … ファイルをここにドロップ ·
1ファイルあたり最大95 MB· 最大20ファイルまで· 30分後に削除
ファイルは当社のサーバーで処理され、30分後に削除されます。
150 DPIでは、A4の1ページが約1240 × 1754 pxになります。印刷には300を使ってください。
ファイル全体、または一部のページやスライドだけを変換します(PDFとプレゼンテーションの入力)。
変換するページまたはスライドです(例:1-3, 5, 8-10)。
UTF-8はあらゆる言語に対応します。WindowsのExcelやメモ帳で文字化けする場合は、BOM付きUTF-8を選んでください。従来の文字コードは古いソフト向けです。
LFはmacOS、Linux、コードエディター向けです。CRLFは従来のメモ帳など、古いWindowsプログラム向けです。
標準はカンマです。小数点にカンマを使う国(ドイツ、フランス、ブラジルなど)のExcelではセミコロンを使ってください。
複数のシートがあるExcelの入力用です。すべてのシート(シートごとに1セクションまたは1ファイル)か、最初のシートだけを変換します。
このツールの使い方
- 1
HTMLファイルをアップロード
ブラウザで保存したページや、CMS・メール配信ツールから書き出した .html または .htm ファイルを、1ファイル95 MBまで、最大20個追加します。
- 2
文字コードと改行コードを選択
書式はテキストのみ、文字コードはUTF-8、改行コードはLFに設定されています。古いWindowsのプログラムでテキストを使う場合は、CRLFを選んでください。
- 3
変換してテキストを利用
TXTに変換 →を押すと、ページごとに1つのテキストファイルをダウンロードできます。複数ファイルをまとめて変換した場合はZIPでダウンロードできます。
HTMLをプレーンテキストに変換する一番早い方法は?
.htmlファイルをアップロードし、書式をテキストのみのままにしてTXTに変換 →を押します。マークアップを含まず、読める本文だけのUTF-8テキストファイルが得られます。
HTMLをテキストに変換：マークアップが邪魔になるとき
一般的な記事ページには、本文よりはるかに多くのマークアップ、スクリプト、スタイルが含まれています。ブラウザでは問題ありませんが、それ以外の場面では厄介です。翻訳メモリ、検索インデックス、言語モデルのプロンプト、テキスト分析スクリプト、アクセシビリティの確認はいずれも本文だけを必要とし、紛れ込んだタグ、インラインスタイル、トラッキングスクリプトはすべてノイズになります。
ブラウザ画面からのコピーでも解決しません。選択するとメニューやCookieの通知まで拾ってしまい、貼り付けると段落の区切りが消えたり、見えない書式が混ざったりします。保存したHTMLファイルを変換すれば、同じ結果を何度でも再現でき、20ページを一度に処理できます。
見出しや、#と-で示すリストなど、構造を少し残したい場合は、代わりにHTMLをMarkdownに変換を選んでください。逆にプレーンテキストをマークアップで包みたい場合は、TXTをHTMLに変換を使います。
ページの各要素がTXTファイルでどうなるか
| HTML内 | テキストファイル内 |
|---|---|
| 段落と見出し | 空行で区切られたテキストのまとまり |
| <br> の改行 | 改行 |
| リスト項目 | 1項目につき1行 |
| 表のセル | 行ごとに、読む順番でセルのテキストを出力 |
| リンク | アドレスを除いたリンクのテキスト |
| &、é、 | &、é、ノーブレークスペース |
| <script>、<style>、コメント | 完全に削除 |
| 画像 | 削除されます。画像にはテキストの形がありません |
HTML
ハイパーテキスト・マークアップ言語
HTMLはウェブのマークアップ言語で、1990年代初めにティム・バーナーズ=リーが考案し、現在はWHATWGが「Living Standard」として管理しています。HTMLファイルは見出し、段落、リンク、表、画像、フォームを記述し、見た目の装飾は通常CSSが担当します。すべてのブラウザで表示でき、メールテンプレートや保存したウェブページにも使われます。HTMLファイル単体では外部の画像やスタイルシートに依存していることが多く、単独で移動すると表示が崩れる場合があります。
- 圧縮方式
- –
- 透過
- –
- アニメーション
- –
- 登場時期
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
プレーンテキスト
TXTファイルには、書式、フォント、画像、レイアウトのない文字だけが入っています。最近のテキストファイルは、あらゆる言語を扱える UTF-8 で符号化されているのが普通ですが、古いファイルは別の文字コードで、文字化けすることがあります。プレーンテキストはごく小さく、古くなることがなく、スマートフォンからサーバーまであらゆる機器で開けます。太字、表、画像は保持できないため、構造は空白や簡単なマークアップで表現します。
- 圧縮方式
- –
- 透過
- –
- アニメーション
- –
- 登場時期
- –
HTMLをプレーンテキストにするのは、本文だけが必要なときです。たとえば、記事を分析ツールや翻訳ツールに渡す、テキストコーパスを作る、メールのテキスト部分を書く、マークアップなしで単語数を数える、といった場面です。
18個のタグからリビングスタンダードへ
HTMLからTXTへの変換の仕組み
ページを読み込む
ページが宣言している文字セットを使い、ブラウザと同じ方法でファイルを解析します。
マークアップを除去する
タグ、スクリプト、スタイル、コメントは取り除かれ、文字参照は実際の文字に変換されます。
テキストを書き出す
読みやすいテキストが、選択した文字コードと改行コードで保存されます。
HTMLテキスト変換に関するよくある質問
タグを一切残さずにHTMLからテキストを抽出するには？
書式をテキストのみにしてファイルをアップロードします。タグ、属性、スクリプト、スタイルシートは削除され、& などの文字参照は実際の文字に変換されます。
HTMLをテキストに変換するとリンク先のURLは残りますか？
リンクの表示テキストは文中に残りますが、リンク先のURLは残りません。アドレスが必要な場合は、リンクを [text](url) の形式で出力するHTMLをMarkdownに変換を使ってください。
Webページからコピーした文章にÂや’が出るのはなぜですか？
UTF-8のテキストがWindows-1252として読み込まれている、典型的な文字コードの取り違えです。このコンバーターはページに宣言された文字セットを読み取り、きれいなUTF-8で書き出すため、カーブした引用符やノーブレークスペースも本来の文字として出力されます。
この方法でWebページの文字数を数えられますか？
はい。先に変換すると、生のHTMLのままでは文字数を水増しするマークアップ、コード、非表示のスクリプトテキストが取り除かれます。.txtに残ったナビゲーションの行を削除してから、お好みの文字数カウンターに貼り付けてください。
メールマガジンのテキスト版にはプレーンテキストが適していますか？
はい。多くのメール配信サービスはHTMLと一緒にプレーンテキスト部分を送信し、HTMLを表示できない、または表示しないメールクライアントではそちらが表示されます。ニュースレターのHTMLを変換し、行の長さを整えてからテキスト欄に貼り付けてください。