Penukar HTML ke Teks
Halaman web yang disimpan, surat berita dan artikel bantuan yang dieksport kebanyakannya terdiri daripada markup; perkataan yang anda perlukan tersembunyi di celah-celah tag. Penukar ini membuang HTML dan memberikan fail .txt yang bersih dengan teks yang boleh dibaca sahaja.
Penukar Dokumen
atau seret Fail PDF, DOC, DOCX … ke sini ·
Maks 95 MB setiap fail· Sehingga 20 fail· Dipadam selepas 30 minit
Fail diproses pada pelayan kami dan dipadam selepas 30 minit.
150 DPI menjadikan halaman A4 kira-kira 1240 × 1754 px. Gunakan 300 untuk mencetak.
Tukar seluruh fail atau hanya sebahagian halaman atau slaid (input PDF dan persembahan).
Halaman atau slaid yang ingin ditukar, cth. 1-3, 5, 8-10.
UTF-8 sesuai untuk semua bahasa. Pilih UTF-8 dengan BOM jika Excel atau Notepad pada Windows memaparkan aksara yang bercelaru; pengekodan lama hanya untuk perisian lama.
LF untuk macOS, Linux dan editor kod; CRLF untuk program Windows lama seperti Notepad klasik.
Koma ialah standard. Gunakan koma bertitik untuk Excel di negara yang menulis perpuluhan dengan koma (Jerman, Perancis, Brazil).
Input Excel dengan beberapa helaian: tukar semuanya (satu bahagian atau fail setiap helaian) atau helaian pertama sahaja.
Cara menggunakan alat ini
- 1
Muat naik fail HTML
Tambah sehingga 20 fail .html atau .htm, setiap satu sehingga 95 MB, seperti halaman yang disimpan daripada pelayar atau dieksport daripada CMS atau alat e-mel.
- 2
Pilih pengekodan dan penamat baris
Pemformatan ditetapkan kepada Teks sahaja, Pengekodan teks kepada UTF-8 dan Penamat baris kepada LF. Pilih CRLF jika teks itu akan digunakan dalam program Windows lama.
- 3
Tukar dan gunakan teksnya
Tekan Tukar ke TXT dan muat turun satu fail teks bagi setiap halaman, atau ZIP untuk keseluruhan kumpulan.
Apakah cara paling pantas untuk menukar HTML kepada teks biasa?
Muat naik fail .html, kekalkan Pemformatan pada Teks sahaja dan tekan Tukar ke TXT. Anda mendapat fail teks UTF-8 dengan kandungan yang boleh dibaca tanpa sebarang markup.
HTML ke teks: apabila markup menjadi penghalang
Halaman artikel biasa mengandungi markup, skrip dan gaya yang jauh lebih banyak daripada prosa. Itu tidak mengapa dalam pelayar tetapi menjadi masalah di tempat lain. Memori terjemahan, indeks carian, prompt model bahasa, skrip analisis teks dan semakan kebolehcapaian semuanya memerlukan perkataan, dan setiap tag, gaya sebaris atau skrip penjejak yang terlepas menjadi gangguan.
Menyalin daripada tetingkap pelayar juga tidak menyelesaikannya. Pemilihan turut mengambil menu dan notis kuki, kehilangan pemisah perenggan atau membawa masuk pemformatan tidak kelihatan semasa ditampal. Menukar fail HTML yang disimpan boleh diulang, berfungsi pada dua puluh halaman sekali gus dan menghasilkan output yang sama setiap kali.
Jika anda mahu sebahagian struktur kekal, iaitu tajuk dan senarai yang ditandakan dengan # dan -, pilih HTML ke Markdown. Untuk arah sebaliknya, iaitu membalut teks biasa dengan markup, gunakan TXT ke HTML.
Apa yang terjadi pada setiap bahagian halaman dalam fail TXT
| Dalam HTML | Dalam fail teks |
|---|---|
| Perenggan dan tajuk | Blok teks yang dipisahkan oleh baris kosong |
| Pemisah baris <br> | Pemisah baris |
| Item senarai | Satu item setiap baris |
| Sel jadual | Teks sel mengikut urutan bacaan, baris demi baris |
| Pautan | Teks pautan, tanpa alamat |
| & · é · | &, é dan ruang tanpa pemisah |
| <script>, <style>, ulasan | Dibuang sepenuhnya |
| Gambar | Dibuang; gambar tiada bentuk teks |
HTML
HyperText Markup Language
HTML ialah bahasa penanda web, mula diterangkan oleh Tim Berners-Lee pada awal 1990-an dan kini diselenggara oleh WHATWG sebagai piawaian hidup. Fail HTML menerangkan tajuk, perenggan, pautan, jadual, imej dan borang, manakala penggayaan biasanya datang daripada CSS. Setiap pelayar memaparkannya, dan ia turut digunakan untuk templat e-mel dan halaman web yang disimpan. Satu fail HTML sering bergantung pada imej dan helaian gaya luaran, jadi ia mungkin kelihatan rosak apabila dipindahkan sendirian.
- Pemampatan
- –
- Ketelusan
- –
- Animasi
- –
- Diperkenalkan
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Teks biasa
Fail TXT hanya mengandungi aksara biasa tanpa pemformatan, fon, imej atau reka letak. Fail teks moden biasanya dikodkan dalam UTF-8 yang meliputi semua bahasa, walaupun fail lama mungkin menggunakan pengekodan lain dan memaparkan aksara bercelaru. Teks biasa sangat kecil, tidak pernah usang dan terbuka pada setiap peranti, daripada telefon hingga pelayan. Ia tidak boleh mengandungi teks tebal, jadual atau gambar, jadi struktur mesti dinyatakan dengan jarak atau penanda ringkas.
- Pemampatan
- –
- Ketelusan
- –
- Animasi
- –
- Diperkenalkan
- –
HTML dilucutkan kepada teks biasa apabila hanya perkataan yang penting: memasukkan artikel ke dalam alat analisis atau terjemahan, membina korpus teks, menulis bahagian teks biasa e-mel, atau mengira perkataan tanpa markup.
Daripada 18 tag kepada standard yang sentiasa dikemas kini
Cara penukaran HTML ke TXT berfungsi
Baca halaman
Fail dihuraikan seperti cara pelayar menghuraikannya, menggunakan set aksara yang diisytiharkan oleh halaman.
Buang markup
Tag, skrip, gaya dan ulasan dibuang; rujukan aksara bertukar menjadi aksara sebenar.
Tulis teks
Teks yang boleh dibaca disimpan dalam Pengekodan teks pilihan anda dengan Penamat baris yang anda pilih.
Soalan lazim HTML ke teks
Bagaimanakah cara mengekstrak teks daripada HTML tanpa sebarang tag yang tertinggal?
Muat naik fail di sini dengan Pemformatan ditetapkan kepada Teks sahaja. Tag, atribut, skrip dan helaian gaya dibuang, dan rujukan aksara seperti & menjadi aksara yang diwakilinya.
Adakah penukar HTML ke teks mengekalkan alamat pautan?
Teks pautan yang kelihatan kekal dalam ayat, tetapi URL di sebaliknya tidak. Jika anda memerlukan alamat tersebut, tukar dengan HTML ke Markdown, yang menulis pautan sebagai [text](url).
Apakah punca  atau ’ muncul dalam teks yang disalin daripada halaman web?
Itu ialah teks UTF-8 yang dibaca sebagai Windows-1252, kekeliruan pengekodan yang biasa berlaku. Penukar ini membaca set aksara yang diisytiharkan oleh halaman dan menulis UTF-8 yang bersih, jadi petikan melengkung dan ruang tanpa pemisah keluar sebagai aksara sebenar.
Bolehkah saya mengira perkataan pada halaman web dengan cara ini?
Ya. Penukaran dahulu membuang markup, kod dan teks skrip tersembunyi yang membesarkan kiraan mentah. Padam baris navigasi yang tinggal daripada fail .txt, kemudian tampal ke mana-mana pengira perkataan.
Adakah teks biasa format yang sesuai untuk versi teks surat berita?
Ya. Banyak platform e-mel menghantar bahagian teks biasa bersama HTML, dan klien e-mel yang tidak boleh atau tidak mahu memaparkan HTML akan menunjukkannya. Tukar HTML surat berita itu, kemudian kemaskan panjang baris sebelum menampalnya ke medan teks.