Escolha a operação para os dados que você precisa
Extrair URLs encontra endereços HTTP ou HTTPS completos. Extrair e-mails pesquisa padrões comuns de endereço de e-mail. HTML para texto recupera o conteúdo textual da marcação sem reproduzir o design da página. Cada operação responde a uma pergunta diferente e precisa de uma fonte apropriada, então defina a saída desejada antes de iniciar uma sequência de conversões.
Cole o conteúdo que você já tem. Essas ferramentas não baixam um site de seu endereço ou seguem links detectados. Para destinos armazenados em atributos href, trabalhe com a fonte HTML. Convertê-lo em texto primeiro pode reter apenas o rótulo exibido de um link e deixar de fora o endereço que você queria extrair da marcação.
Inspecionar endereços detectados no contexto
URLs requerem um prefixo http:// ou https://. Algumas pontuação de trailing comum e colchetes de fechamento incomparáveis são removidos, mas a existência do destino não é verificada. Domínios baixos e links relativos estão fora dessa busca. Compare endereços completos com o contexto de origem, especialmente quando a pontuação tem um papel significativo em um URL.
A detecção de e-mail aceita caracteres e domínios latinos comuns contendo pelo menos um ponto. Ele não entra em contato com servidores ou confirma que uma conta existe. Remoção duplicada compara cordas exatas. Não assuma que as variantes de caso são mescladas automaticamente: revise a lista com a definição de igualdade que sua tarefa requer e distinga a detecção da verificação real.
Extração de texto não renderiza HTML
HTML para texto decodifica entidades e separa blocos e quebras de linha. Scripts, estilos, comentários e conteúdo incorporado são omitidos. O fragmento é analisado em um modelo inerte e não é inserido como conteúdo de página executável. Copie a saída em um editor quando precisar inspecioná-la de forma independente.
Os estilos CSS não são calculados. Conteúdo oculto através de estilos pode aparecer, e letras desenhadas dentro de imagens não são reconhecidas. As tabelas perdem o layout visual e exigem verificações de linha e coluna. Para converter apenas o & ou o <, as entidades HTML alteram a representação de caracteres sem extrair texto da marcação completa circundante. Escolha com base na transformação que você realmente precisa.
Pratique e mantenha o contexto de origem
Prepare um fragmento com um URL completo, um email, um bloco de texto e uma repetição. Extraia cada tipo separadamente. Tente um endereço relativo também para observar o que está excluído. Em HTML, distinga rótulos de links visíveis de seus destinos. Uma pequena saída torna as regras mais fáceis de verificar antes de processar uma lista longa.
As entradas são limitadas a um milhão de caracteres, e a extração de URL e e-mail aceita até dez mil correspondências. HTML também limita a profundidade e nós. Copie ou faça o download antes de navegar, mantenha a origem de cada bloco e confirme independentemente qualquer identidade ou disponibilidade que sua tarefa exija. A detecção de padrões por si só não estabelece essas propriedades.
Uma ligação repetida com pontuação
Cole o fragmento em URLs de extração e habilite a remoção duplicada. Processar e inspecionar se os períodos de sentença foram excluídos do endereço. Em seguida, cole o mesmo fragmento em e-mails Extract.
See https://example.com/docs. Contact: [email protected]. Again: https://example.com/docs.
A lista de URLs contém apenas https://example.com/docs. E-mail de extração retorna [email protected]. Nenhuma ferramenta visita ou verifica esses destinos.
Desabilite a remoção duplicada para ter duas aparições no link. Em HTML para texto, tente p>Hello & goodbye/p>: output is Hello & goodbye without markup tags.