Конвертер HTML в Текст

Что на самом деле делает преобразование HTML в текст

Веб-страницы, письма и выгрузки CMS — это не обычный текст. Это HTML: дерево тегов вроде p, div, span, a и strong, обёрнутых вокруг слов, которые вам на самом деле нужны. Когда вы копируете этот исходник или вставляете форматированный фрагмент, вы тянете за собой встроенные стили, атрибуты отслеживания и структурную разметку, которые мешают в тот же момент, как вам нужно одно лишь читаемое содержимое. Преобразование HTML в текст обходит это дерево и сохраняет только видимые слова, отбрасывая каждый тег и атрибут.

Цель — не просто удалить угловые скобки. Наивный поиск и замена тегов слепил бы абзацы вместе и превратил бы аккуратную статью в одну сплошную стену. Правильное преобразование рассматривает блочные элементы вроде абзацев, заголовков и элементов списка как границы, вставляя переносы строк, чтобы вывод читался в том же логическом порядке, что и у человека, тогда как строчные элементы вроде жирного и курсива просто исчезают, оставляя после себя свой текст.

Что вы сохраняете, а что теряете

По своей природе обычный текст не может хранить визуальное форматирование. Жирный, курсив, размеры шрифтов, цвета и CSS-макет — всё отбрасывается, потому что в текстовом файле им негде существовать. Таблицы схлопываются в последовательные строки, а точная структура столбцов не сохраняется. Это ожидаемо: вы меняете оформление на переносимость.

Ссылки и изображения — это интересная золотая середина. Включите «Сохранять ссылки», чтобы отобразить якорь как [text](url) и сохранить адрес в читаемом виде, и включите «Включать alt-текст изображений», чтобы сохранить описательный атрибут alt, а не молча отбросить изображение. Если вы предпочитаете более чистое чтение, оставьте их выключенными или используйте «Игнорировать изображения» и «Игнорировать HR-теги», чтобы полностью убрать заполнители и горизонтальные линии.

Разобранный пример

Предположим, вы вставляете такой фрагмент: абзац с текстом Visit our shop, где shop — это ссылка на example.com, за которым следует второй абзац, содержащий сущность Tom & Jerry. С включёнными «Сохранять ссылки» и «Декодировать HTML-сущности» вывод превращается в две чистые строки: Visit our [shop](https://example.com) в первой строке и Tom & Jerry во второй. Теги p стали переносами строк, якорь был переписан в форме со скобками, а & был декодирован обратно в буквальный амперсанд.

Почему HTML-сущности важны

HTML экранирует определённые символы, чтобы браузер не принял их за разметку. Амперсанд пишется как &amp;, знак «меньше» — как &lt;, неразрывный пробел — как &nbsp;, а фигурные кавычки часто появляются как &#8220; и &#8221;. Если пропустить декодирование, эти сырые последовательности просочатся в ваш текст и будут выглядеть сломанными. Включите «Декодировать HTML-сущности», и они преобразуются обратно в настоящие символы, которые они представляют: &, <, обычный пробел и правильные кавычки. Эта единственная настройка — самое частое исправление для вывода, который выглядит почти правильным, но усеян случайными кодами амперсанда.

Управление переносами строк и переносом по словам

Две настройки определяют, как располагается результат. «Сохранять переносы строк» сохраняет переносы, подразумеваемые блочными элементами, чтобы абзацы оставались разделёнными, а «Сохранять пробелы» удерживает последовательности пробелов и отступы, которые HTML обычно схлопывает, что полезно, когда исходные интервалы значимы, например в коде или ASCII-макетах.

«Перенос по словам» задаёт максимальное число символов в строке и переформатирует длинные абзацы под него, что удобно для вставки в терминал, письмо с фиксированной шириной или текстовый README. Установите 0, чтобы полностью отключить перенос, чтобы каждый абзац оставался на одной длинной строке, готовый для адресата, который выполняет перенос сам.

Сценарии из реальной жизни

Прибегайте к этому инструменту всякий раз, когда форматированному содержимому нужно стать нейтральным текстом. Распространённые случаи включают извлечение чистого текста из опубликованной веб-страницы для повторного использования или цитирования, очистку выгрузки CMS или рассылки перед импортом в другое место, извлечение читаемого тела из HTML-письма, подготовку содержимого для подсчёта слов или проверки читабельности и подачу чистой прозы в инструмент перевода или скрипт, ожидающий простой ввод, а не теги.

Это также быстрая проверка во время разработки. Преобразование отрисованного шаблона в текст раскрывает реальный порядок чтения и обнажает содержимое, которое визуально скрыто CSS, но всё ещё присутствует в разметке, что может иметь значение для аудитов доступности и SEO.

Распространённые ошибки, которых стоит избегать

Самая большая ловушка — ожидать, что макет уцелеет. Если вам нужны сохранённая структура таблицы, иерархия маркеров или оформление, обычный текст — неподходящая цель. Вместо этого преобразуйте в Markdown или оставьте HTML. Вторая ловушка — забыть декодировать сущности, а потом гадать, почему вывод повсюду содержит &amp;. Наконец, помните, что преобразование отражает только то, что есть в разметке, которую вы вставляете: если страница строит своё содержимое с помощью JavaScript после загрузки, сырой HTML, который вы копируете из «Просмотра исходного кода», может быть почти пустым, поэтому вместо этого копируйте отрисованный DOM.