HTML para texto

HTML para textoUsos e orientação prática

A conversão de HTML para texto recupera palavras da marcação para que possam ser revisadas ou reutilizadas sem suas tags. A ferramenta analisa a estrutura dentro de um modelo inerte que nunca é inserido na página visível. Os scripts não são executados e os recursos de fragmentos externos não são carregados. Isso torna possível trabalhar com a fonte copiada de um editor sem transformá-la em uma página ativa. A saída é exibida em um campo de texto, de modo que os caracteres que se assemelham a novas tags permanecem com conteúdo em vez de serem interpretados novamente como HTML. Mantenha a fonte quando a estrutura exata importa para a próxima tarefa.

As entidades são decodificadas durante a análise. O & torna-se um ampersand, e as referências de caracteres podem recuperar acentos ou símbolos. Elementos em linha como forte ou em reter conteúdo sem introduzir separadores artificiais. Parágrafos e outros blocos geram quebras de linha; br introduz uma única quebra. As células da tabela são separadas com abas, mas uma tabela alinhada visualmente não é reconstruída e as células mescladas não são calculadas. O conteúdo dentro de pré retém terminações de linha interna, embora a limpeza nos limites da linha possa alterar os espaços circundantes. O resultado prioriza o texto reutilizável em vez de reproduzir todas as convenções de formatação na fonte.

Scripts, estilos, comentários e vários formulários de conteúdo incorporado são excluídos, incluindo modelos aninhados, SVG e canvas. O texto do link é mantido sem anexar o endereço href. As imagens não contribuem automaticamente com texto alternativo. Estilos CSS não são computados: um elemento oculto por uma classe ainda pode contribuir com palavras porque o fragmento nunca é renderizado visualmente. Consequentemente, a saída não é idêntica a copiar exatamente o que uma pessoa veria na página original. Se essa correspondência for necessária, compare a saída com a página real e inspecione menus, elementos ocultos e conteúdo normalmente gerado pelo JavaScript antes de usar a extração.

O navegador pode reparar a marcação incompleta ou incorretamente aninhada de acordo com suas regras de análise. Reparos podem afetar a separação de texto, então revise fragmentos contendo tabelas ou elementos não fechados. Um fragmento que consiste inteiramente de imagens ou scripts pode legitimamente produzir saída vazia. Limites são um milhão de caracteres, cem níveis de nidificação e cinquenta mil nós para o trabalho ligado e memória. Salve o texto antes de limpar o campo. Continue com a comparação de texto ou contagem de palavras usando uma cópia da extração quando necessário, mantendo o HTML original para verificar símbolos, limites de parágrafo e qualquer conteúdo omitido pelas regras de extração.