HTML կառուցվածքից անցում պարզ տեքստի
HTML (HyperText Markup Language) փաստաթղթերը նախատեսված են վեբ բրաուզերներում տեղեկատվությունը կառուցվածքային և տեսողականորեն ձևավորված ներկայացնելու համար: Այնուամենայնիվ, վեբ էջերի բովանդակությունը վերլուծելու, տեքստային տվյալներ հավաքագրելու (scraping) կամ տեքստային խմբագրիչներում հետագա աշխատանքի համար հաճախ անհրաժեշտ է լինում հեռացնել այդ կառուցվածքային տարրերը: HTML թեգերի մաքրման գործիքը նախատեսված է հենց այս խնդրի լուծման համար. այն վերափոխում է կառուցվածքային HTML բովանդակությունը չկառուցվածքավորված պարզ տեքստի:
Այս գործընթացը ներառում է ոչ միայն տեսանելի թեգերի հեռացումը, այլև տեքստի մաքրումը ծրագրային կոդերից և ոճային ձևավորումներից, որոնք չպետք է հայտնվեն վերջնական պարզ տեքստում: Գործիքը ավտոմատ կերպով հեռացնում է script, style, template և noscript բլոկները՝ ապահովելով, որ ելքային տեքստում կմնա միայն բուն ընթեռնելի բովանդակությունը:
Ինչպես է աշխատում գործիքը և սահմանափակումները
Օգտագործողը մուտքային դաշտում տեղադրում կամ մուտքագրում է HTML բովանդակությունը: Գործիքն ունի տեխնիկական սահմանափակումներ և կանոններ, որոնք ապահովում են կայուն աշխատանքը.
- Մուտքային սահմանաչափ. Մուտքագրվող HTML տեքստի առավելագույն երկարությունը չպետք է գերազանցի 500,000 նիշը:
- Դատարկ մուտքագրում. Եթե մուտքային դաշտը դատարկ է, համակարգը ցուցադրում է «Ավելացրեք HTML՝ պարզ տեքստ ստանալու համար:» հաղորդագրությունը:
- Չափազանց երկար տեքստ. Եթե ներմուծված տեքստը գերազանցում է թույլատրելի սահմանը, հայտնվում է «Այդ HTML-ը չափազանց երկար է այս գործիքի համար: Խնդրում ենք սահմանափակել այն մինչև
{max}նիշ:» նախազգուշացումը: - Կորզման ձախողում. Եթե ներկայացված կոդից հնարավոր չէ որևէ տեքստ առանձնացնել, օգտագործողը կտեսնի «Չհաջողվեց տեքստը կորզել այս HTML-ից:» հաղորդագրությունը:
- Առանց թեգերի տեքստ. Եթե մուտքագրված տեքստում HTML թեգեր չկան, համակարգը ցուցադրում է «HTML թեգեր չեն գտնվել: Տեքստը պահպանվել է որպես պարզ տեքստ:» հաղորդագրությունը:
Երբ ելքային դաշտը դատարկ է, «Պատճենել պարզ տեքստը» և «Օգտագործել արդյունքը» ֆունկցիաներն ավտոմատ կերպով անջատվում են:
Բլոկային տարրեր, տողադարձեր և բացատներ
HTML-ում տեքստի ձևավորումն իրականացվում է տարբեր տիպի տարրերի միջոցով: Պարզ տեքստի վերածելիս կարևոր է պահպանել տեքստի տրամաբանական բաժանումները.
- Բլոկային տարրեր. Բլոկային տարրերը (օրինակ՝
<div>,<p>) և տողադարձի<br>թեգերը վերածվում են սովորական տողադարձերի: Սա թույլ է տալիս պահպանել պարբերությունների կառուցվածքը: - Կրկնվող բացատներ. Տեքստի ընթեռնելիությունը բարելավելու համար բոլոր կրկնվող բացատները մաքրվում և բերվում են ստանդարտ տեսքի:
Այս կանոնների շնորհիվ ստացված արդյունքը լինում է կոկիկ և պատրաստ հետագա օգտագործման:
HTML entities (նշանների) ապակոդավորում
Վեբ էջերում հատուկ սիմվոլները հաճախ ներկայացվում են հատուկ կոդերով, որոնք կոչվում են HTML entities (օրինակ՝ & սիմվոլի համար &, կամ < սիմվոլի համար <): Պարզ տեքստ ստանալիս այս կոդերը պետք է փոխարինվեն իրենց համապատասխան նիշերով: Գործիքն ավտոմատ կերպով ապակոդավորում է բոլոր տարածված HTML նշանները՝ վերածելով դրանք սովորական ընթեռնելի սիմվոլների:
Տվյալների մշակում բրաուզերում
Այս գործիքն աշխատում է հաճախորդի կողմում (client-side processing): Ձեր ներմուծած HTML բովանդակությունը մշակվում է անմիջապես Ձեր բրաուզերում: Ոչ մի տվյալ չի ուղարկվում BroBroGo սերվերներին, ինչը ապահովում է տվյալների մշակման արդյունավետությունն ու գաղտնիությունը:
Ում է անհրաժեշտ այս գործիքը
HTML թեգերի հեռացումն անհրաժեշտ է տարբեր մասնագիտական խնդիրներ լուծելիս.
- Rich text-ի փոխակերպում. Նրանց համար, ովքեր ցանկանում են ձևավորված տեքստը (rich text) վերածել հեշտ պատճենվող պարզ տեքստի:
- Վեբ հատվածների մշակում. Նրանց համար, ովքեր կարիք ունեն արագորեն տեքստ կորզել վեբ էջերի առանձին կոդային հատվածներից:
- Scraping-ի արդյունքների մաքրում. Նրանց համար, ովքեր աշխատում են վեբ կայքերից հավաքագրված (scraped) HTML տվյալների հետ և ցանկանում են ստանալ միայն մաքուր տեքստը:
- HTML տեքստերի խմբագրում. Նրանց համար, ովքեր պետք է խմբագրեն տեքստեր, որոնք սկզբնապես պահպանված են եղել HTML ձևաչափով:
Հաճախ տրվող հարցեր (FAQ)
Ի՞նչ է պատահում script և style բովանդակության հետ:
Script, style, template և noscript բլոկները դուրս են մնում արդյունքից, որպեսզի վերջնական տեքստը լինի միայն ընթեռնելի բովանդակությունը:
Արդյո՞ք այն ապակոդավորում է HTML նշանները:
Այո: Տարածված կոդավորված նշանները (entities) վերածվում են իրենց համապատասխան սիմվոլների պարզ տեքստում:
Արդյո՞ք պարբերությունները և տողադարձերը պահպանվում են:
Բլոկային տարրերը և տողադարձերը վերածվում են տողադարձերի: Կրկնվող բացատները մաքրվում են, որպեսզի արդյունքը հեշտ լինի պատճենել: