چگونگی استخراج متن HTML و چک کردن محتوای صفحه پویا از دست رفته
ایجاد TXT زمانی که شما نیاز به بررسی ویرایش ذخیره شده در داخل یک فایل HTML. ابزار بازدید از یک URL و یا اجرا جاوا اسکریپت، بنابراین متن بدن مورد نیاز باید در واقع در منبع ذخیره شده وجود دارد.

نحوه استفاده از این ابزار
- فایل ها را با فرمت HTML, HTM انتخاب کنید. حداکثر فایل در هر دسته: 1.
- فرمت ورودی و ترتیب فایل را بررسی کنید، سپس پردازش را شروع کنید.
- نتیجه TXT را دانلود کنید و محتوا و کیفیت آن را بررسی کنید.
تنظیمات مناسب را انتخاب کنید
را انتخاب کنید HTML اسکریپت ها و سبک ها حذف می شوند، به این معنی که یک صفحه که بدن آن فقط توسط جاوا اسکریپت تولید می شود، ممکن است از ویرایش که انتظار دارید استخراج کنید، کمبود داشته باشد.
- ورودی پشتیبانی شده
- HTML, HTM
- خروجی
- TXT
پیش از شروع
انتخاب منبع بر پایهٔ محتوا و نوع نتیجه
قالب واقعی و متنی یا تصویری بودن محتوا را بررسی کنید. پسوند بهتنهایی پشتیبانی را ثابت نمیکند؛ HWPX با HWP قدیمی فرق دارد. اگر جای نوشته، تصویر یا چیدمان لازم است، نسخهٔ رسمی اصلی را نگه دارید. مشخص کنید کار، متن، کپی با نام تازه یا گزارش میدهد و دریافتکننده به کدام نیاز دارد.
هنگام پاکسازی متن، نقش شکست خط، خط خالی و فاصله را بررسی کنید. پیوستن خطها ممکن است شعر، فهرست یا جدول را خراب کند. نرمالسازی Unicode گونههای مختلف دارد؛ گونهٔ سازگاری میتواند نمادها را تغییر دهد. نام و کد را بعد از تغییر ببینید و انتخابهای پاکسازی را برای توضیح نتیجه ثبت کنید.
گزارش بررسی، یافتهها را حذف نمیکند. فایلهای شبیه از نظر ظاهر، لزوماً بایتهای یکسان ندارند، و تغییر نام دستهای کپیها و نگاشت نام تولید میکند. متن ساده برای پردازش متن مفید است، اما وقتی چیدمان جزئی از سند رسمی است جای نسخهٔ اصلی را نمیگیرد.
بررسی قابلیت استفادهٔ محتوا پس از پردازش
متن خروجی را با عنوانها، جدولها و کادرهای متن منبع مقایسه کنید. ترتیب استخراج ممکن است با جای ظاهری فرق کند. استخراج متن ساده، نوشتهٔ داخل تصویر را نمیخواند یا صدا را خودکار پیاده نمیکند. برای چیدمان دقیق، منبع را در ویرایشگر اصلی ببینید و نام، عدد و کد را در برنامهٔ دریافتکننده امتحان کنید.
اگر گزارش نویسهٔ پنهان دارید، جای آن و کد نویسه را بررسی کنید؛ حذف فقط مجموعهٔ مشخصشده را پوشش میدهد. گزارش خالی حریم خصوصی، گواهی نبود اطلاعات حساس نیست. ابتدا، میانه، انتها و بخشهای متفاوت سند را ببینید؛ درستبودن یک بند، کاملبودن جدول یا کادر متن را ثابت نمیکند.
در صورت شکست، رمزگذاری حفاظتی، DRM، محافظت و گونهٔ قالب را بررسی کنید. نرمالسازی Unicode رمزگشایی غلط را اصلاح نمیکند. ابتدا کدگذاری منبع را درست کنید و بعد نویسههای عجیب و محتوای کمشده را بررسی کنید. اگر بخشی کم است، جای آن در اصل و محدودیت کار را پیش از استفاده از متن نتیجه پیدا کنید.
نمونه ورودی و خروجی
صفحه ذخیره شده.html → قابل خواندن text.txtمثالها روند کار را توضیح میدهند. نتیجه به فایل منبع و تنظیمات بستگی دارد.
قبل از ذخیره نتیجه را بررسی کنید
عنوان ها، پاراگراف ها و لیست ها را با اصلی مقایسه کنید.به دنبال ناوبری یا اطلاعیه های مخلوط در بدن و به طور جداگانه بررسی کنید که آیا شما نیز به آدرس های لینک نیاز دارید.
اگر نتیجه با آنچه انتظار داشتید متفاوت باشد
با نوشتن در داخل تصاویر، SVG یا کانوا به عنوان متن صاف استخراج نمی شود.اگر نتیجه خالی است، HTML ذخیره شده را برای محتوای بدن بررسی کنید و متن مورد نیاز را از صفحه اصلی به طور جداگانه آماده کنید.
محدودیتهایی که باید در نظر داشت
- محتوای بارگیری مجدد از طریق جاوا اسکریپت بازیابی یا اجرا نمی شود. طرح CSS حفظ نشده است.
ادامهٔ کار با ابزارهای مرتبط
این راهنما ابزار مرورگر عمومی را توضیح می دهد. یک کپی از اصل را نگه دارید و نتیجه را قبل از به اشتراک گذاشتن بررسی کنید.
این ترجمه با کمک نرم افزار تهیه شده است. همچنین می توانید نسخه انگلیسی آن را بخوانید. به انگلیسی بخوانید