Convertir du HTML en texte

Convertir du HTML en texte: usages et conseils pratiques

La conversion HTML en texte récupère les mots du balisage afin qu'ils puissent être examinés ou réutilisés sans leurs balises. L'outil analyse la structure à l'intérieur d'un modèle inerte qui n'est jamais inséré dans la page visible. Les scripts ne s'exécutent pas et les ressources de fragments externes ne sont pas chargées. Cela permet de travailler avec la source copiée à partir d'un éditeur sans la transformer en page active. La sortie apparaît dans un champ de texte, de sorte que les caractères ressemblant à de nouvelles balises restent du contenu au lieu d'être interprétés à nouveau en HTML. Conservez la source lorsque la structure exacte compte pour la tâche suivante.

Les entités sont décodées lors de l'analyse. & devient une esperluette, et les références de caractères peuvent récupérer des accents ou des symboles. Les éléments en ligne tels que fort ou em retiennent le contenu sans introduire de séparateurs artificiels. Les paragraphes et autres blocs génèrent des sauts de ligne ; br introduit un seul saut. Les cellules de tableau sont séparées par des onglets, mais une table visuellement alignée n'est pas reconstruite et les cellules fusionnées ne sont pas calculées. Le contenu à l'intérieur de pre conserve les terminaisons de ligne internes, bien que le nettoyage des limites de ligne puisse modifier les espaces environnants. Le résultat priorise le texte réutilisable plutôt que de reproduire toutes les conventions de formatage dans la source.

Les scripts, styles, commentaires et plusieurs formulaires de contenu incorporé sont exclus, y compris les modèles imbriqués, SVG et canvas. Le texte du lien est conservé sans ajouter son adresse href. Les images ne contribuent pas automatiquement au texte alternatif. Les styles CSS ne sont pas calculés : un élément caché par une classe peut toujours apporter des mots car le fragment n'est jamais rendu visuellement. Par conséquent, la sortie n'est pas identique à la copie exactement ce qu'une personne verrait sur la page d'origine. Si cette correspondance est nécessaire, comparez la sortie avec la page réelle et inspectez les menus, les éléments cachés et le contenu normalement généré par JavaScript avant d'utiliser l'extraction.

Le navigateur peut réparer le balisage incomplet ou mal imbriqué selon ses règles d'analyse. Les réparations peuvent affecter la séparation du texte, alors examinez les fragments contenant des tableaux ou des éléments non fermés. Un fragment constitué entièrement d'images ou de scripts peut légitimement produire un résultat vide. Les limites sont un million de caractères, cent niveaux d'imbrication et cinquante mille nœuds de travail et de mémoire liés. Enregistrez le texte avant de vider le champ. Poursuivez la comparaison de texte ou le comptage de mots en utilisant une copie de l'extraction lorsque nécessaire, en conservant le code HTML d'origine pour vérifier les symboles, les limites des paragraphes et tout contenu omis par les règles d'extraction.