Chuyển HTML sang văn bản (TXT)
Trang web đã lưu, bản tin email và bài hướng dẫn xuất ra phần lớn là mã đánh dấu; phần chữ bạn cần nằm lẫn giữa các thẻ. Công cụ này loại bỏ HTML và trả lại một file .txt gọn gàng, chỉ chứa phần văn bản đọc được.
Chuyển đổi tài liệu
hoặc thả tệp PDF, DOC, DOCX … vào đây ·
Tối đa 95 MB mỗi tệp· Tối đa 20 tệp· Xóa sau 30 phút
Tệp được xử lý trên máy chủ của chúng tôi và bị xóa sau 30 phút.
150 DPI biến một trang A4 thành khoảng 1240 × 1754 px. Dùng 300 để in.
Chuyển toàn bộ tệp hoặc chỉ một số trang hay trang chiếu (với đầu vào PDF và bản trình chiếu).
Các trang hoặc trang chiếu cần chuyển, ví dụ 1-3, 5, 8-10.
UTF-8 dùng được cho mọi ngôn ngữ. Chọn UTF-8 có BOM nếu Excel hoặc Notepad trên Windows hiển thị ký tự lỗi; chỉ dùng các bảng mã cũ cho phần mềm cũ.
LF cho macOS, Linux và trình soạn thảo mã; CRLF cho các chương trình Windows cũ như Notepad bản cổ điển.
Dấu phẩy là chuẩn. Dùng dấu chấm phẩy cho Excel ở các nước viết số thập phân bằng dấu phẩy (Đức, Pháp, Brazil).
Với đầu vào Excel có nhiều trang tính: chuyển tất cả (mỗi trang tính một phần hoặc một tệp) hoặc chỉ trang đầu tiên.
Cách sử dụng công cụ này
- 1
Tải lên các file HTML
Thêm tối đa 20 file .html hoặc .htm, mỗi file không quá 95 MB, ví dụ trang lưu từ trình duyệt hoặc xuất từ CMS hay công cụ email.
- 2
Chọn bảng mã và kiểu xuống dòng
Định dạng văn bản được đặt là Chỉ văn bản, Mã hóa ký tự là UTF-8 và Ký tự xuống dòng là LF. Hãy chọn CRLF nếu văn bản được đưa vào một chương trình Windows cũ.
- 3
Chuyển đổi và sử dụng văn bản
Nhấn Chuyển sang TXT và tải xuống mỗi trang một file văn bản, hoặc một file ZIP cho cả loạt.
Cách nhanh nhất để chuyển HTML sang văn bản thuần là gì?
Tải file .html lên, giữ Định dạng văn bản ở chế độ Chỉ văn bản và nhấn Chuyển sang TXT. Bạn nhận được file văn bản UTF-8 chứa nội dung đọc được mà không có mã đánh dấu.
Chuyển HTML sang văn bản: khi mã đánh dấu gây vướng víu
Một trang bài viết thông thường chứa mã đánh dấu, script và định dạng nhiều hơn hẳn phần chữ. Điều đó không sao trong trình duyệt nhưng lại gây phiền ở mọi nơi khác. Bộ nhớ dịch, chỉ mục tìm kiếm, prompt cho mô hình ngôn ngữ, script phân tích văn bản và kiểm tra khả năng tiếp cận đều cần phần chữ, và mọi thẻ, style nội tuyến hay script theo dõi lọt qua đều trở thành nhiễu.
Sao chép từ cửa sổ trình duyệt cũng không giải quyết được. Vùng chọn lấy cả menu và thông báo cookie, mất ngắt đoạn hoặc kéo theo định dạng ẩn khi dán. Chuyển đổi file HTML đã lưu thì lặp lại được, xử lý được hai mươi trang cùng lúc và cho kết quả giống nhau mỗi lần.
Nếu muốn giữ lại một phần cấu trúc, tức tiêu đề và danh sách đánh dấu bằng # và -, hãy chọn HTML sang Markdown. Để làm ngược lại và bọc văn bản thuần trong mã đánh dấu, hãy dùng TXT sang HTML.
Từng phần của trang web trở thành gì trong file TXT
| Trong HTML | Trong file văn bản |
|---|---|
| Đoạn văn và tiêu đề | Các khối văn bản cách nhau bằng dòng trống |
| Ngắt dòng <br> | Ngắt dòng |
| Mục danh sách | Mỗi mục một dòng |
| Ô trong bảng | Chữ trong ô theo thứ tự đọc, từng hàng một |
| Liên kết | Phần chữ của liên kết, không có địa chỉ |
| &, é và | &, é và một khoảng trắng không ngắt |
| <script>, <style>, chú thích | Bị loại bỏ hoàn toàn |
| Hình ảnh | Bị loại bỏ; hình ảnh không có dạng văn bản |
HTML
Ngôn ngữ đánh dấu siêu văn bản (HTML)
HTML là ngôn ngữ đánh dấu của web, được Tim Berners-Lee mô tả lần đầu vào đầu thập niên 1990 và hiện do WHATWG duy trì dưới dạng tiêu chuẩn sống. Tệp HTML mô tả tiêu đề, đoạn văn, liên kết, bảng, hình ảnh và biểu mẫu, còn phần trình bày thường đến từ CSS. Mọi trình duyệt đều hiển thị HTML, và định dạng này cũng được dùng cho mẫu email và trang web đã lưu. Một tệp HTML đơn lẻ thường phụ thuộc vào ảnh và stylesheet bên ngoài, nên có thể hiển thị lỗi khi bị di chuyển riêng.
- Nén
- –
- Độ trong suốt
- –
- Ảnh động
- –
- Ra mắt
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Văn bản thuần
Tệp TXT chỉ chứa ký tự thuần, không có định dạng, phông chữ, hình ảnh hay bố cục. Tệp văn bản hiện đại thường được mã hóa UTF-8, bao quát mọi ngôn ngữ, dù các tệp cũ có thể dùng bảng mã khác và hiển thị ký tự lỗi. Văn bản thuần rất nhỏ, không bao giờ lỗi thời và mở được trên mọi thiết bị, từ điện thoại đến máy chủ. Định dạng không chứa được chữ đậm, bảng hay hình ảnh, nên cấu trúc phải được thể hiện bằng khoảng trắng hoặc ký hiệu đánh dấu đơn giản.
- Nén
- –
- Độ trong suốt
- –
- Ảnh động
- –
- Ra mắt
- –
HTML được tách thành văn bản thuần khi chỉ cần nội dung chữ: đưa bài viết vào công cụ phân tích hoặc dịch thuật, xây dựng kho ngữ liệu, viết phần văn bản thuần của email, hoặc đếm từ mà không tính mã đánh dấu.
Từ 18 thẻ đến một tiêu chuẩn liên tục cập nhật
Cách chuyển HTML sang TXT hoạt động
Đọc trang
File được phân tích giống cách trình duyệt làm, dùng charset mà trang khai báo.
Bỏ mã đánh dấu
Thẻ, script, style và chú thích bị loại bỏ; tham chiếu ký tự được chuyển thành ký tự thật.
Ghi văn bản
Văn bản đọc được được lưu theo Mã hóa ký tự và Ký tự xuống dòng mà bạn chọn.
Câu hỏi về chuyển HTML sang văn bản
Làm sao lấy chữ từ HTML mà không còn sót thẻ nào?
Tải file lên đây và để Định dạng văn bản ở chế độ Chỉ văn bản. Thẻ, thuộc tính, script và style sheet sẽ bị loại bỏ, còn các tham chiếu ký tự như & được chuyển thành ký tự tương ứng.
Khi chuyển HTML sang văn bản, địa chỉ liên kết có được giữ lại không?
Phần chữ hiển thị của liên kết vẫn nằm trong câu, còn URL phía sau thì không. Nếu cần địa chỉ, hãy chuyển bằng HTML sang Markdown, công cụ này ghi liên kết dưới dạng [text](url).
Vì sao văn bản sao chép từ trang web bị lỗi  hoặc ’?
Đó là văn bản UTF-8 bị đọc như Windows-1252, một lỗi lẫn mã hóa kinh điển. Trình chuyển đổi đọc charset mà trang khai báo và ghi ra UTF-8 sạch, nên dấu nháy cong và khoảng trắng không ngắt hiện đúng là ký tự thật.
Có thể đếm số từ của một trang web theo cách này không?
Được. Chuyển đổi trước sẽ loại bỏ mã đánh dấu, mã lệnh và văn bản script ẩn vốn làm số từ bị phình lên. Hãy xóa các dòng điều hướng còn sót trong file .txt rồi dán vào bất kỳ công cụ đếm từ nào.
Văn bản thuần có phải định dạng phù hợp cho phiên bản chữ của bản tin email không?
Được. Nhiều nền tảng email gửi kèm một phần văn bản thuần cùng với HTML, và các ứng dụng email không thể hoặc không muốn hiển thị HTML sẽ dùng phần này. Hãy chuyển HTML của bản tin, rồi chỉnh lại độ dài dòng trước khi dán vào ô văn bản.