Scegli l'operazione per i dati di cui hai bisogno
Gli URL di estrazione trovano indirizzi HTTP o HTTPS completi. Estrarre email ricerche comuni modelli di indirizzo e-mail. HTML to text recupera il contenuto testuale dal markup senza riprodurre il design della pagina. Ogni operazione risponde a una domanda diversa e ha bisogno di una fonte appropriata, quindi definisci l'output desiderato prima di iniziare una sequenza di conversioni.
Incolla i contenuti che hai già. Questi strumenti non scaricano un sito web dal suo indirizzo o seguono i link rilevati. Per le destinazioni memorizzate negli attributi href, lavora con il sorgente HTML. Convertirlo in testo per primo può conservare solo l'etichetta visualizzata di un link e lasciare fuori l'indirizzo che si voleva estrarre dal markup.
Ispezionare gli indirizzi rilevati nel contesto
Gli URL richiedono un prefisso http:// o https://. Alcune punteggiatura di trailing comuni e staffe di chiusura ineguagliabili vengono rimosse, ma l'esistenza di destinazione non viene controllata. I domini e i relativi collegamenti sono al di fuori di questa ricerca. Confronta gli indirizzi completi con il contesto di origine, in particolare quando la punteggiatura ha un ruolo significativo in un URL.
Il rilevamento e-mail accetta caratteri e domini latini comuni contenenti almeno un punto. Non contatta i server o conferma l'esistenza di un account. La rimozione duplicata confronta le stringhe esatte. Non dare per scontato che le varianti dei casi vengano fuse automaticamente: esamina l'elenco con la definizione di uguaglianza richiesta dall'attività e distingue il rilevamento dalla verifica effettiva.
L'estrazione del testo non render HTML
HTML per il testo decodifica le entità e separa blocchi e interruzioni di riga. Gli script, gli stili, i commenti e i contenuti incorporati vengono omessi. Il frammento viene analizzato in un modello inerte e non viene inserito come contenuto eseguibile della pagina. Copiare l'output in un editor quando è necessario ispezionarlo in modo indipendente.
Gli stili CSS non sono calcolati. Il contenuto nascosto attraverso gli stili può apparire, e le lettere disegnate all'interno delle immagini non sono riconosciute. Le tabelle perdono il loro layout visivo e richiedono controlli di riga e colonna. Per convertire solo & o <, le entità HTML cambiano la rappresentazione dei caratteri senza estrarre testo dal markup completo circostante. Scegli in base a quale trasformazione hai effettivamente bisogno.
Praticare e mantenere il contesto di origine
Prepara un frammento con un URL completo, un'e-mail, un blocco di testo e una ripetizione. Estrarre ogni tipo separatamente. Prova anche un indirizzo relativo per osservare ciò che è escluso. In HTML, distinguere le etichette dei link visibili dalle loro destinazioni. Un piccolo output rende le regole più facili da verificare prima di elaborare un elenco lungo.
Gli input sono limitati a un milione di caratteri e l'estrazione di URL ed email accetta fino a diecimila corrispondenze. HTML limita anche profondità e nodi. Copiare o scaricare prima di navigare, conservare l'origine di ogni blocco e confermare in modo indipendente qualsiasi identità o disponibilità richiesta dall'attività. Il rilevamento del modello da solo non stabilisce tali proprietà.
Un link ripetuto
Incolla il frammento di esempio in Estrai URL dal testo e attiva l’eliminazione delle ripetizioni. Provalo anche in Estrai indirizzi email.
See https://example.com/docs. Contact: [email protected]. Again: https://example.com/docs.
La lista URL contiene https://example.com/docs una volta. L’email trovata è [email protected].
Non vengono visitati o verificati i destinatari. In HTML a testo, <p>Hello & goodbye</p> produce Hello & goodbye.