Wählen Sie die Operation für die Daten, die Sie benötigen
URLs aus Text extrahieren findet vollständige HTTP- und HTTPS-Adressen. E-Mail-Adressen aus Text extrahieren sucht übliche Adressformen. HTML in Text umwandeln gewinnt Text aus Markup, ohne das Seitenlayout nachzubilden. Jeder Vorgang hat einen anderen Zweck; legen Sie das gewünschte Ergebnis vor der Umwandlung fest.
Fügen Sie Inhalte ein, die Sie bereits haben. Diese Tools laden keine Website von ihrer Adresse herunter oder folgen erkannten Links. Arbeiten Sie für in href-Attributen gespeicherte Ziele mit der HTML-Quelle. Wenn Sie es zuerst in Text konvertieren, kann nur das angezeigte Etikett eines Links beibehalten und die Adresse, die Sie aus dem Markup extrahieren möchten, weggelassen werden.
Erkennen von Adressen im Kontext
URLs erfordern ein http:// oder https:// Präfix. Einige häufige nachgestellte Satzzeichen und unübertroffene schließende Klammern werden entfernt, aber die Zielexistenz wird nicht überprüft. Leere Domains und relative Links liegen außerhalb dieser Suche. Vergleichen Sie vollständige Adressen mit dem Quellkontext, insbesondere wenn Satzzeichen eine sinnvolle Rolle in einer URL haben.
Die E-Mail-Erkennung akzeptiert gängige lateinische Zeichen und Domänen, die mindestens einen Punkt enthalten. Es kontaktiert keine Server oder bestätigt, dass ein Konto existiert. Duplicate Removal vergleicht exakte Strings. Gehen Sie nicht davon aus, dass Fallvarianten automatisch zusammengeführt werden: Überprüfen Sie die Liste mit der Gleichheitsdefinition, die Ihre Aufgabe erfordert, und unterscheiden Sie die Erkennung von der tatsächlichen Überprüfung.
Textextraktion rendert HTML nicht
HTML zu Text dekodiert Entitäten und trennt Blöcke und Zeilenumbrüche. Skripte, Stile, Kommentare und eingebettete Inhalte werden weggelassen. Das Fragment wird in einer inerten Vorlage analysiert und nicht als ausführbarer Seiteninhalt eingefügt. Kopieren Sie die Ausgabe in einen Editor, wenn Sie sie unabhängig voneinander prüfen müssen.
CSS-Styles werden nicht berechnet. Inhalte, die durch Stile ausgeblendet werden, können angezeigt werden, und Buchstaben, die in Bildern gezeichnet werden, werden nicht erkannt. Tabellen verlieren ihr visuelles Layout und erfordern Zeilen- und Spaltenüberprüfungen. Um nur & oder < zu konvertieren, ändern HTML-Entitäten die Zeichendarstellung, ohne Text aus dem gesamten umgebenden Markup zu extrahieren. Wählen Sie basierend darauf, welche Transformation Sie tatsächlich benötigen.
Quellenkontext üben und beibehalten
Bereiten Sie ein Fragment mit einer vollständigen URL, einer E-Mail, einem Textblock und einer Wiederholung vor. Extrahieren Sie jeden Typ separat. Versuchen Sie auch eine relative Adresse, um zu beobachten, was ausgeschlossen ist. Unterscheiden Sie in HTML sichtbare Link-Etiketten von ihren Zielen. Eine kleine Ausgabe erleichtert die Überprüfung von Regeln, bevor eine lange Liste verarbeitet wird.
Die Eingaben sind auf eine Million Zeichen beschränkt, und die Extraktion von URL und E-Mail akzeptiert bis zu zehntausend Treffer. HTML begrenzt auch Tiefe und Knoten. Kopieren oder herunterladen Sie vor der Navigation, behalten Sie den Ursprung jedes Blocks und bestätigen Sie unabhängig jede Identität oder Verfügbarkeit, die Ihre Aufgabe erfordert. Mustererkennung allein stellt diese Eigenschaften nicht her.
Wiederholte Verbindung mit Interpunktion
Fügen Sie das Textfragment in URLs aus Text extrahieren ein und aktivieren Sie das Entfernen von Duplikaten. Prüfen Sie, dass Satzzeichen am Adressende entfernt wurden. Probieren Sie dasselbe Fragment danach in E-Mail-Adressen aus Text extrahieren aus.
See https://example.com/docs. Contact: [email protected]. Again: https://example.com/docs.
Die URL-Liste enthält nur https://example.com/docs. Die E-Mail-Liste enthält [email protected]. Kein Werkzeug ruft diese Ziele auf oder überprüft sie.
Deaktivieren Sie die doppelte Entfernung, um zwei Link-Erscheinungen zu erhalten. In HTML zu Text, versuchen Sie <p>Hello & auf Wiedersehen</p>: Ausgabe ist Hallo & auf Wiedersehen ohne Markup-Tags.