Choisissez l'opération pour les données dont vous avez besoin
Extraire les URL d’un texte trouve des adresses HTTP ou HTTPS complètes. Extraire les adresses e-mail d’un texte recherche les formes courantes d’adresses. Convertir du HTML en texte récupère le contenu textuel du balisage sans reproduire la mise en page. Chaque opération répond à un besoin différent ; définissez le résultat souhaité avant de commencer les conversions.
Collez le contenu que vous avez déjà. Ces outils ne téléchargent pas un site Web à partir de son adresse ou ne suivent pas les liens détectés. Pour les destinations stockées dans les attributs href, travaillez avec la source HTML. Le convertir en texte d'abord peut conserver uniquement l'étiquette affichée d'un lien et laisser de côté l'adresse que vous vouliez extraire du balisage.
Inspecter les adresses détectées dans leur contexte
Les URL nécessitent un préfixe http:// ou https://. Certains signes de ponctuation et de fermeture non appariés sont supprimés, mais l'existence de la destination n'est pas vérifiée. Les domaines nus et les liens relatifs sont en dehors de cette recherche. Comparez les adresses complètes avec le contexte source, en particulier lorsque la ponctuation a un rôle significatif dans une URL.
La détection des emails accepte les caractères latins communs et les domaines contenant au moins un point. Il ne contacte pas les serveurs ou ne confirme pas l'existence d'un compte. La suppression des duplicatas compare les chaînes exactes. Ne supposez pas que les variantes de cas sont fusionnées automatiquement : examinez la liste avec la définition de l'égalité requise par votre tâche et distinguez la détection de la vérification réelle.
L'extraction de texte ne rend pas HTML
HTML to text décode les entités et sépare les blocs et les sauts de ligne. Les scripts, les styles, les commentaires et le contenu incorporé sont omis. Le fragment est analysé dans un modèle inerte et n'est pas inséré comme contenu de page exécutable. Copiez la sortie dans un éditeur lorsque vous devez l'inspecter indépendamment.
Les styles CSS ne sont pas calculés. Le contenu caché par les styles peut apparaître, et les lettres dessinées dans les images ne sont pas reconnues. Les tableaux perdent leur mise en page visuelle et nécessitent des vérifications de lignes et de colonnes. Pour convertir uniquement & ou <, les entités HTML modifient la représentation des caractères sans extraire le texte du balisage complet environnant. Choisissez en fonction de la transformation dont vous avez réellement besoin.
Pratiquer et conserver le contexte source
Préparez un fragment avec une URL complète, un email, un bloc de texte et une répétition. Extrayez chaque type séparément. Essayez également une adresse relative pour observer ce qui est exclu. En HTML, distinguez les étiquettes de liens visibles de leurs destinations. Une petite sortie rend les règles plus faciles à vérifier avant de traiter une longue liste.
Les entrées sont limitées à un million de caractères, et l'extraction d'URL et d'e-mails accepte jusqu'à dix mille correspondances. HTML limite également la profondeur et les nœuds. Copiez ou téléchargez avant de naviguer, conservez l'origine de chaque bloc et confirmez indépendamment toute identité ou disponibilité requise par votre tâche. La détection de motifs à elle seule n'établit pas ces propriétés.
Un lien répété avec la ponctuation
Collez le fragment dans les URL d'extraction et activez la suppression des doublons. Traiter et vérifier si les périodes de fin de phrase ont été exclues de l'adresse. Collez ensuite le même fragment dans Extraire les e-mails.
See https://example.com/docs. Contact: [email protected]. Again: https://example.com/docs.
La liste des URL ne contient que https://example.com/docs. Retours d'extraction d'email [email protected]. Aucun outil ne visite ou ne vérifie ces destinations.
Désactivez la suppression des doublons pour obtenir deux occurrences de lien. En HTML au texte, essayez p>Hello & au revoir/p>: la sortie est Hello & au revoir sans balises de balisage.