Da HTML a testo

Da HTML a testo: usi e guida pratica

La conversione di HTML in testo recupera le parole dal markup in modo che possano essere riviste o riutilizzate senza i loro tag. Lo strumento analizza la struttura all'interno di un modello inerte che non viene mai inserito nella pagina visibile. Gli script non vengono eseguiti e le risorse dei frammenti esterni non vengono caricate. Ciò consente di lavorare con il sorgente copiato da un editor senza trasformarlo in una pagina attiva. L'output viene visualizzato in un campo di testo, quindi i caratteri che assomigliano ai nuovi tag rimangono contenuti invece di essere interpretati nuovamente come HTML. Mantieni la fonte quando la struttura esatta è importante per l'attività successiva.

Le entità vengono decodificate durante l'analisi. & diventa un ampersand e i riferimenti ai caratteri possono recuperare accenti o simboli. Elementi in linea come forte o em mantenere il contenuto senza l'introduzione di separatori artificiali. Paragrafi e altri blocchi generano interruzioni di linea; br introduce una singola interruzione. Le celle di tabella sono separate da schede, ma una tabella visivamente allineata non viene ricostruita e le celle unite non vengono calcolate. Il contenuto all'interno pre mantiene le terminazioni interne della linea, anche se la pulizia ai confini della linea può alterare gli spazi circostanti. Il risultato dà priorità al testo riutilizzabile piuttosto che riprodurre ogni convenzione di formattazione nella sorgente.

Sono esclusi script, stili, commenti e diversi moduli di contenuti incorporati, inclusi modelli nidificati, SVG e canvas. Il testo del link viene mantenuto senza aggiungere il suo indirizzo href. Le immagini non contribuiscono automaticamente al testo alternativo. Gli stili CSS non vengono calcolati: un elemento nascosto da una classe può ancora contribuire con le parole perché il frammento non viene mai reso visivamente. Di conseguenza, l'output non è identico a copiare esattamente ciò che una persona vedrebbe nella pagina originale. Se è necessaria questa corrispondenza, confronta l'output con la pagina reale e ispeziona i menu, gli elementi nascosti e i contenuti normalmente generati da JavaScript prima di utilizzare l'estrazione.

Il browser può riparare il markup incompleto o nidificato in modo errato in base alle sue regole di analisi. Le riparazioni possono influenzare la separazione del testo, quindi esaminare i frammenti contenenti tabelle o elementi non chiusi. Un frammento costituito interamente da immagini o script può produrre legittimamente output vuoto. I limiti sono un milione di caratteri, cento livelli di nidificazione e cinquantamila nodi per vincolare lavoro e memoria. Salvare il testo prima di cancellare il campo. Continuare con il confronto del testo o il conteggio delle parole utilizzando una copia dell'estrazione quando necessario, mantenendo l'HTML originale per verificare i simboli, i confini dei paragrafi e qualsiasi contenuto omesso dalle regole di estrazione.