آلية تحويل HTML الهيكلي إلى نص عادي غير منظم
تعتمد عملية تحويل مستندات HTML الهيكلية إلى نصوص عادية على تجريد الشيفرة البرمجية وعزل المحتوى المقروء عن وسوم التنسيق. يحتوي مستند HTML بطبيعته على وسوم تحدد كيفية عرض النصوص وتوزيعها، وعند الحاجة إلى استخدام هذا المحتوى في تطبيقات معالجة النصوص أو قواعد البيانات، يصبح من الضروري التخلص من هذه الوسوم.
تقوم هذه العملية بفحص النص المدخل وتحديد بداية ونهاية كل وسم يقع بين علامتي الأصغر من > والأكبر من < لإزالته بالكامل. لا يقتصر الأمر على إزالة الوسوم الظاهرة فحسب، بل يتعدى ذلك إلى معالجة كتل برمجية كاملة لا تقدم محتوى نصيًا مفيدًا للقارئ، مثل كتل البرمجة النصية وتنسيقات الأنماط. تضمن هذه الآلية الحصول على نسخة نصية خام خالية من أي شوائب برمجية قد تعيق عمليات القراءة أو التحليل اللاحقة.
معالجة كتل البرمجيات والأنماط والعناصر الخاصة
عند تنظيف مستندات الويب، تبرز مشكلة وجود كتل برمجية وتنسيقية لا يرغب المستخدم في ظهورها كأجزاء نصية. تتعامل الأداة مع هذه المشكلة من خلال تطبيق قواعد صارمة لاستبعاد محتويات بعض العناصر بالكامل وليس فقط وسومها الخارجية.
تشمل العناصر التي يتم حذفها وحذف محتواها بالكامل ما يلي:
- كتل البرمجة النصية (script): تُحذف بالكامل لمنع ظهور شيفرات JavaScript البرمجية في النص المستخرج.
- كتل الأنماط والتنسيق (style): تُستبعد لتفادي ظهور قواعد تنسيق CSS البرمجية.
- كتل القوالب (template): تُزال لكونها تحتوي على هياكل برمجية غير مخصصة للعرض المباشر.
- كتل النص البديل (noscript): تُحذف لضمان عدم تداخل النصوص البديلة مع النص الأساسي المستخرج.
بفضل هذه المعالجة، تتركز النتيجة النهائية على النص الفعلي المقروء الذي يظهر للمستخدم على صفحة الويب، مما يمنع تلوث النص العادي ببيانات برمجية غير مفهومة.
دور عناصر الكتل وفواصل الأسطر في تنسيق النص
يؤدي حذف وسوم HTML بشكل عشوائي إلى دمج الكلمات والفقرات مع بعضها البعض، مما ينتج عنه نص متداخل يصعب قراءته. لتفادي ذلك، تعتمد الأداة على قواعد محددة لتحويل عناصر الكتل (Block Elements) وفواصل الأسطر البرمجية إلى فواصل أسطر حقيقية في النص الناتج.
تتحول عناصر الكتل مثل الفقرات <p>، وعناصر القوائم <li>، والعناوين، بالإضافة إلى وسوم فواصل الأسطر المباشرة <br>، إلى أسطر جديدة في المخرجات. تضمن هذه الخطوة الحفاظ على الهيكل العام للنص وتوزيع الفقرات بشكل يحاكي المظهر الأصلي للمستند قبل التنظيف. بالإضافة إلى ذلك، تجري الأداة عملية ترتيب للمسافات المتكررة والمزدوجة لتنظيف الفراغات الزائدة الناتجة عن المسافات البادئة وعلامات الجدولة في شيفرة HTML، مما يجعل النص الناتج متناسقًا وسهل القراءة والنسخ.
فهم كيانات HTML وفك ترميزها
تستخدم مستندات الويب ما يُعرف بـ "كيانات HTML" (HTML Entities) لتمثيل بعض الرموز والأحرف الخاصة التي قد تتعارض مع بنية لغة HTML أو التي لا تتوفر بشكل مباشر على لوحة المفاتيح. من أمثلة هذه الكيانات الرمز & الذي يمثل علامة الربط &، والرمز < الذي يمثل علامة الأصغر من <، والرمز " الذي يمثل علامة الاقتباس ".
عند تحويل HTML إلى نص عادي، لا يصح ترك هذه الكيانات بصيغتها المرمزة لأنها تعيق القراءة وتفسد مظهر النص. تقوم الأداة بفك ترميز كيانات HTML الشائعة وتحويلها تلقائيًا إلى الأحرف الفعلية المقابلة لها. يضمن هذا الإجراء ظهور الرموز وعلامات الترقيم بشكلها الطبيعي والصحيح داخل النص العادي المستخرج.
معالجة البيانات محليًا وحماية الخصوصية
تتم معالجة النصوص وإزالة الوسوم بالكامل داخل متصفح الويب الخاص بالمستخدم. لا يتم رفع أي جزء من المحتوى النصي أو الأكواد المُدخلة إلى خوادم BroBroGo. تجري كافة العمليات الحسابية وتحليل النصوص محليًا على جهاز المستخدم، مما يوفر بيئة عمل سريعة ومباشرة لمعالجة البيانات دون الحاجة لنقلها عبر شبكة الإنترنت.
واجهة الاستخدام والقيود الفنية للأداة
تتميز واجهة الأداة بالبساطة والوضوح، حيث تنقسم إلى حقلين رئيسيين للإدخال والإخراج مع مجموعة من المؤشرات والرسائل التوضيحية:
- حقل الإدخال (HTML): الحقل المخصص للصق أو كتابة محتوى HTML المراد تنظيفه، بحد أقصى يصل إلى 500,000 حرف.
- حقل المخرجات (نص عادي): الحقل الذي يظهر فيه النص النظيف بعد معالجته.
رسائل النظام وحالات الأخطاء:
- عند وجود نص صالح ومعالجته، تظهر الرسالة: "تمت إزالة
{tags}من الوسوم واستخراج{chars}من الأحرف." لتوضيح حجم العمل المنجز. - في حال إدخال نص لا يحتوي على أي وسوم، تظهر الرسالة: "لم يُعثر على وسوم HTML. تم الاحتفاظ بالمحتوى كنص عادي.".
- إذا كان حقل الإدخال فارغًا، تظهر الرسالة: "أضف HTML لاستخراج النص العادي.".
- إذا تجاوز النص المدخل الحد الأقصى المسموح به، تظهر رسالة الخطأ: "HTML هذا طويل جدًا لهذه الأداة. اجعله أقل من
{max}حرفًا.". - في حال تعذر تحليل النص أو استخراج محتوى منه، تظهر الرسالة: "تعذّر استخراج النص من HTML هذا.".
تتضمن الواجهة أيضًا أزرارًا لتسهيل العمل مثل زر "استخدام النتيجة" لنقل النص المستخرج إلى حقل الإدخال مجددًا، وزر "مسح" لتنظيف الحقول. وتجدر الإشارة إلى أن وظائف نسخ النص واستخدام النتيجة يتم تعطيلها تلقائيًا عندما يكون حقل المخرجات فارغًا.
الأسئلة الشائعة
ماذا يحدث لمحتوى script وstyle؟
تُستبعد كتل script وstyle وtemplate وnoscript من النتيجة كي يركّز الناتج على نص الصفحة المقروء.
هل تفك الأداة ترميز كيانات HTML؟
نعم. تتحول كيانات HTML الشائعة إلى الأحرف التي تمثلها في ناتج النص العادي.
هل تُحفظ الفقرات وفواصل الأسطر؟
تتحول عناصر الكتل وفواصل الأسطر إلى أسطر جديدة. وتُرتّب المسافات المتكررة ليظل الناتج سهل النسخ.