Konverter HTML ke Teks

Apa yang sebenarnya dilakukan konversi HTML-ke-teks

Halaman web, email, dan ekspor CMS bukanlah teks biasa. Semuanya adalah HTML: sebuah pohon tag seperti p, div, span, a, dan strong yang membungkus kata-kata yang sebenarnya Anda pedulikan. Ketika Anda menyalin sumber itu atau menempel cuplikan kaya, Anda ikut membawa gaya inline, atribut pelacakan, dan markup struktural yang menghalangi begitu Anda menginginkan konten yang terbaca berdiri sendiri. Mengonversi HTML ke teks menelusuri pohon itu dan hanya menyimpan kata-kata yang terlihat, membuang setiap tag dan atribut.

Tujuannya bukan sekadar menghapus tanda kurung sudut. Cari-dan-ganti tag yang naif akan menabrakkan paragraf menjadi satu dan mengubah artikel yang rapi menjadi tembok tak terputus. Konversi yang benar memperlakukan elemen tingkat blok seperti paragraf, judul, dan item daftar sebagai batas, menyisipkan jeda baris agar keluaran terbaca dalam urutan logis yang sama seperti yang dilakukan manusia, sementara elemen inline seperti tebal dan miring cukup lenyap dan meninggalkan teksnya.

Apa yang Anda simpan dan apa yang Anda hilangkan

Secara desain, teks biasa tidak dapat menampung pemformatan visual. Tebal, miring, ukuran font, warna, dan tata letak CSS semuanya dibuang karena tidak ada tempat bagi mereka untuk hidup dalam berkas teks. Tabel runtuh menjadi baris berurutan, dan struktur kolom yang presisi tidak dipertahankan. Ini sudah seharusnya: Anda menukar presentasi demi keterbawaan.

Tautan dan gambar adalah jalan tengah yang menarik. Aktifkan Preserve Links untuk merender sebuah jangkar sebagai [text](url) sehingga tujuannya bertahan dalam bentuk yang terbaca, dan aktifkan Include Image Alt Text untuk menyimpan atribut alt deskriptif alih-alih membuang gambar tanpa suara. Jika Anda lebih suka bacaan yang lebih bersih, biarkan keduanya nonaktif, atau gunakan Ignore Images dan Ignore HR Tags untuk menekan placeholder dan garis horizontal sepenuhnya.

Sebuah contoh nyata

Misalkan Anda menempel fragmen ini: sebuah paragraf bertuliskan Visit our shop di mana shop adalah tautan ke example.com, diikuti paragraf kedua yang berisi entitas Tom & Jerry. Dengan Preserve Links dan Decode HTML Entities diaktifkan, keluarannya menjadi dua baris bersih: Visit our [shop](https://example.com) di baris pertama dan Tom & Jerry di baris kedua. Tag p menjadi jeda baris, jangkarnya ditulis ulang dalam bentuk kurung-siku-dan-kurung, dan & didekode kembali menjadi ampersand harfiah.

Mengapa entitas HTML penting

HTML meng-escape karakter tertentu agar browser tidak mengiranya sebagai markup. Ampersand ditulis &amp;, tanda kurang dari ditulis &lt;, spasi tak-putus ditulis &nbsp;, dan tanda kutip melengkung sering muncul sebagai &#8220; dan &#8221;. Jika Anda melewatkan dekode, urutan mentah itu bocor ke dalam teks Anda dan terlihat rusak. Aktifkan Decode HTML Entities dan semuanya dikonversi kembali menjadi karakter asli yang diwakilinya: &, <, spasi normal, dan tanda kutip yang benar. Pengaturan tunggal ini adalah perbaikan paling umum untuk keluaran yang terlihat hampir benar tetapi bertaburan kode ampersand yang tersesat.

Mengendalikan jeda baris dan pembungkusan

Dua pengaturan membentuk tata letak hasilnya. Preserve Line Breaks mempertahankan jeda yang tersirat oleh elemen blok sehingga paragraf tetap terpisah, sementara Preserve Whitespace mempertahankan rangkaian spasi dan indentasi yang biasanya disatukan HTML, yang berguna ketika jarak aslinya bermakna, seperti pada kode atau tata letak ASCII.

Word Wrap menetapkan jumlah maksimum karakter per baris dan mengalirkan ulang paragraf panjang agar pas, yang praktis untuk menempel ke terminal, email berlebar tetap, atau README teks biasa. Setel ke 0 untuk menonaktifkan pembungkusan sepenuhnya sehingga setiap paragraf tetap pada satu baris panjang, siap untuk tujuan yang melakukan pembungkusannya sendiri.

Kasus penggunaan dunia nyata

Gunakan alat ini setiap kali konten kaya perlu menjadi teks netral. Kasus umum mencakup mengambil salinan bersih dari halaman web yang sudah terbit untuk digunakan kembali atau dikutip, menyanitasi ekspor CMS atau buletin sebelum mengimpornya ke tempat lain, menarik isi yang terbaca dari email HTML, menyiapkan konten untuk penghitungan kata atau pemeriksaan keterbacaan, dan memasok prosa bersih ke alat penerjemah atau skrip yang mengharapkan masukan biasa alih-alih tag.

Alat ini juga merupakan pemeriksaan cepat saat pengembangan. Mengonversi templat yang dirender menjadi teks mengungkap urutan baca yang sesungguhnya dan menampilkan konten yang tersembunyi secara visual oleh CSS tetapi tetap ada dalam markup, yang bisa penting untuk audit aksesibilitas dan SEO.

Kesalahan umum yang harus dihindari

Jebakan terbesar adalah mengharapkan tata letak bertahan. Jika Anda butuh struktur tabel, hierarki poin, atau penataan gaya dipertahankan, teks biasa adalah target yang salah. Konversi ke Markdown atau pertahankan HTML-nya saja. Jebakan kedua adalah lupa mendekode entitas lalu bertanya-tanya mengapa keluarannya berisi &amp; di mana-mana. Terakhir, ingatlah bahwa konversi hanya mencerminkan apa yang ada dalam markup yang Anda tempel: jika sebuah halaman membangun kontennya dengan JavaScript setelah dimuat, HTML mentah yang Anda salin dari View Source mungkin nyaris kosong, jadi salinlah DOM yang dirender.