Convertor HTML în text
Paginile web salvate, newsletterele și articolele de ajutor exportate sunt în mare parte cod; cuvintele care vă interesează sunt îngropate între taguri. Acest convertor elimină HTML-ul și vă oferă un fișier .txt curat, doar cu textul lizibil.
Convertor de documente
sau trage Fișiere PDF, DOC, DOCX … aici ·
Maximum 95 MB per fișier· Până la 20 fișiere· Șterse după 30 minute
Fișierele sunt procesate pe serverele noastre și șterse după 30 minute.
150 DPI transformă o pagină A4 în aproximativ 1240 × 1754 px. Folosiți 300 pentru tipărire.
Convertiți tot fișierul sau doar anumite pagini ori diapozitive (fișiere PDF și prezentări).
Paginile sau diapozitivele de convertit, de exemplu 1-3, 5, 8-10.
UTF-8 funcționează pentru toate limbile. Alegeți UTF-8 cu BOM dacă Excel sau Notepad pe Windows afișează caractere incorecte; codificările vechi doar pentru software vechi.
LF pentru macOS, Linux și editoare de cod; CRLF pentru programe Windows mai vechi, precum Notepad clasic.
Virgula este standardul. Folosiți punct și virgulă pentru Excel în țările care scriu zecimalele cu virgulă (Germania, Franța, Brazilia, România).
Fișier Excel cu mai multe foi: convertiți-le pe toate (o secțiune sau un fișier per foaie) sau doar prima.
Cum se folosește acest instrument
- 1
Încărcați fișierele HTML
Adăugați până la 20 de fișiere .html sau .htm, de maximum 95 MB fiecare, de exemplu pagini salvate din browser sau exportate dintr-un CMS ori dintr-un instrument de e-mail.
- 2
Alegeți codificarea și terminațiile de linie
Formatare este setată pe Doar text, Codificarea textului pe UTF-8, iar Sfârșit de rând pe LF. Alegeți CRLF dacă textul ajunge într-un program Windows vechi.
- 3
Convertiți și folosiți textul
Apăsați Convertește în TXT și descărcați un fișier text pentru fiecare pagină sau un ZIP pentru tot lotul.
Care este cea mai rapidă metodă de a transforma HTML în text simplu?
Încărcați fișierul .html, lăsați Formatare pe Doar text și apăsați Convertește în TXT. Primiți un fișier text UTF-8 cu conținutul care se poate citi, fără marcaj.
HTML în text: când codul vă încurcă
O pagină obișnuită de articol conține mult mai mult marcaj, script și stilizare decât text propriu-zis. În browser nu deranjează, dar în orice alt loc este o problemă. Memoriile de traducere, indexurile de căutare, prompturile pentru modele de limbaj, scripturile de analiză a textului și evaluările de accesibilitate vor cuvintele, iar fiecare etichetă, stil inline sau script de urmărire rămas devine zgomot.
Nici copierea din fereastra browserului nu rezolvă problema. Selecția include meniuri și notificări cookie, pierde despărțirile dintre paragrafe sau aduce la lipire formatare invizibilă. Conversia fișierului HTML salvat se poate repeta, funcționează pe douăzeci de pagini deodată și dă de fiecare dată același rezultat.
Dacă vreți să rămână o parte din structură, titluri și liste marcate cu # și -, alegeți în schimb HTML în Markdown. Pentru drumul invers, de împachetare a textului simplu în marcaj, folosiți TXT în HTML.
Ce devine fiecare parte a paginii în fișierul TXT
| În HTML | În fișierul text |
|---|---|
| Paragrafe și titluri | Blocuri de text separate prin rânduri goale |
| Rupturi de rând <br> | Rupturi de rând |
| Elemente de listă | Un element pe rând |
| Celule de tabel | Textul celulelor în ordinea de citire, rând cu rând |
| Linkuri | Textul linkului, fără adresă |
| &, é și | &, é și un spațiu nedespărțitor |
| <script>, <style>, comentarii | Eliminate complet |
| Imagini | Eliminate; pozele nu au formă de text |
HTML
HyperText Markup Language
HTML este limbajul de marcare al web-ului, descris prima dată de Tim Berners-Lee la începutul anilor 1990 și întreținut acum de WHATWG ca standard viu. Un fișier HTML descrie titluri, paragrafe, linkuri, tabele, imagini și formulare, în timp ce stilul vine de obicei din CSS. Orice browser îl afișează, iar este folosit și pentru șabloane de e-mail și pagini web salvate. Un singur fișier HTML depinde adesea de imagini și foi de stil externe, deci poate arăta defectuos dacă este mutat singur.
- Compresie
- –
- Transparență
- –
- Animație
- –
- Introdus în
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Text simplu
Un fișier TXT conține doar caractere simple, fără formatare, fonturi, imagini sau aspect de pagină. Fișierele text moderne sunt de obicei codificate în UTF-8, care acoperă toate limbile, deși fișierele mai vechi pot folosi alte codificări și pot afișa caractere stricate. Textul simplu este foarte mic, nu devine niciodată depășit și se deschide pe orice dispozitiv, de la telefoane la servere. Nu poate conține text aldin, tabele sau imagini, așa că structura trebuie exprimată prin spațiere sau marcaje simple.
- Compresie
- –
- Transparență
- –
- Animație
- –
- Introdus în
- –
HTML-ul se transformă în text simplu când contează doar cuvintele: pentru a da un articol unui instrument de analiză sau de traducere, a construi un corpus de text, a scrie partea text simplu a unui e-mail sau a număra cuvintele fără marcaj.
De la 18 taguri la un standard viu
Cum funcționează conversia HTML în TXT
Citirea paginii
Fișierul este analizat așa cum îl analizează un browser, cu setul de caractere declarat de pagină.
Eliminarea marcajului
Etichetele, scripturile, stilurile și comentariile dispar, iar referințele de caractere devin caractere reale.
Scrierea textului
Textul care se poate citi este salvat cu Codificarea textului aleasă și cu Sfârșit de rând ales de dvs.
Întrebări despre conversia HTML în text
Cum extrag textul din HTML fără să rămână niciun tag?
Încărcați fișierul aici, cu Formatare pe Doar text. Etichetele, atributele, scripturile și foile de stil sunt eliminate, iar referințele de caractere precum & devin caracterele pe care le reprezintă.
Convertorul HTML în text păstrează adresele linkurilor?
Textul vizibil al linkului rămâne în propoziție, dar adresa URL din spatele lui nu. Dacă aveți nevoie de adrese, convertiți cu HTML în Markdown, care scrie linkurile ca [text](url).
De unde apar  sau ’ în textul copiat dintr-o pagină web?
Este text UTF-8 citit ca Windows-1252, o încurcătură clasică de codificare. Convertorul citește setul de caractere declarat de pagină și scrie UTF-8 curat, deci ghilimelele curbe și spațiile nedespărțitoare apar ca adevăratele caractere.
Pot număra astfel cuvintele dintr-o pagină web?
Da. Prin conversie se elimină marcajul, codul și textul ascuns din scripturi, care umflă o numărătoare brută. Ștergeți din .txt rândurile rămase din navigare, apoi lipiți textul în orice contor de cuvinte.
Este textul simplu formatul potrivit pentru versiunea text a unui newsletter?
Da. Multe platforme de e-mail trimit o parte text simplu alături de HTML, iar clienții de e-mail care nu pot sau nu vor să afișeze HTML o arată pe aceasta. Convertiți HTML-ul newsletterului, apoi ajustați lungimea rândurilor înainte de a-l lipi în câmpul de text.