Umbreyting á skipulögðu HTML í óskipulagðan texta
Þegar unnið er með vefefni er textinn oft umlukinn flóknum kóða sem stýrir útliti og uppbyggingu. HTML-hreinsirinn er hannaður til að taka slíkt skipulagt HTML-innihald og fjarlægja öll HTML-tög til að búa til hreinan og óskipulagðan texta. Þetta ferli er gagnlegt þegar þörf er á að breyta ríkulegum texta (rich text) í einfaldan texta sem hægt er að afrita, draga texta út úr brotum af vefsíðum, vinna með texta úr skafningi (scraped HTML) eða breyta texta sem upphaflega var á HTML-formi.
Tólið vinnur úr inntakinu samkvæmt ákveðnum reglum til að tryggja að úttakið sé læsilegt. Auk þess að fjarlægja hefðbundin tög eins og <div>, <p> eða <a>, þá útilokar það alveg heilu blokkirnar sem innihalda forritunarkóða eða stílsnið. Þetta þýðir að innihald úr <script>, <style>, <template> og <noscript> blokkum er hreinsað burt. Ef engin HTML-tög finnast í inntakinu birtir tólið skilaboðin „Engin HTML-tákn fundust. Texti varðveittur sem hreinn texti.“.
Meðhöndlun á HTML-táknum og sértækum stöfum
Í HTML-kóða eru sérstakir stafir oft skrifaðir sem svokölluð HTML-tákn (entities) til að koma í veg fyrir að vafrar túlki þá sem hluta af kóðanum eða til að sýna stafi sem eru utan venjulega rittáknasafnsins. Sem dæmi má nefna tákn eins og & fyrir og-merkið (&), < fyrir minna-en merkið (<) og > fyrir meira-en merkið (>).
Þegar HTML-kóði er hreinsaður er ekki nóg að fjarlægja aðeins tögin; einnig þarf að afkóða þessi tákn svo textinn verði læsilegur. Þetta tól afkóðar algeng HTML-tákn yfir í samsvarandi stafi í hreinum texta. Þannig breytast tæknileg tákn í venjuleg rittákn sem auðvelt er að lesa og vinna með í ritvinnsluforritum.
Hlutverk blokk-staka og línubila í textamótun
Uppsetning texta í HTML byggir að miklu leyti á blokk-stökum (block elements) á borð við <div>, <p>, <h1> og línubilum eins og <br>. Ef öll tög væru einfaldlega fjarlægð án tillits til þessara staka myndi allur textinn renna saman í eina samfellda línu, sem gerir hann ólæsilegan.
Til að viðhalda skipulagi textans breytir tólið blokk-stökum og línubilum í raunveruleg línubil í úttakinu. Á sama tíma eru endurtekin bil snyrt til að tryggja að textinn verði snyrtilegur og laus við óþarfa eyður. Þetta ferli varðveitir upprunalega málsgreinaskiptingu og uppbyggingu textans án þess að skilja eftir leifar af HTML-kóða.
Vinnsla í vafra og persónuvernd
Þegar unnið er með texta og kóða er mikilvægt að vita hvernig gögnin eru meðhöndluð. HTML-kóðinn þinn er hreinsaður í vafranum þínum. Ekkert er sent til BroBroGo.
Þar sem vinnslan fer fram staðbundið á tölvunni þinni eða tæki þarftu ekki að hafa áhyggjur af því að innihaldið sé flutt yfir netið eða vistað á ytri netþjónum. Þetta tryggir fljóta vinnslu og lágmarkar gagnaflutning.
Takmarkanir og villuboð við vinnslu
Tólið hefur ákveðin efri mörk til að tryggja stöðugleika í vafranum. Hámarkslengd fyrir inntak er 500.000 stafir. Ef reynt er að setja inn lengri texta birtast villuboðin: „Þetta HTML er of langt fyrir þetta tól. Hafðu það undir {max} stöfum.“.
Önnur villuboð og stöðutilkynningar sem tækið notar eru:
- Ef inntakið er tómt birtast skilaboðin: „Bættu við HTML til að draga út hreinan texta.“.
- Ef tækinu tekst ekki að lesa eða vinna úr kóðanum birtast skilaboðin: „Ekki var hægt að draga texta úr þessu HTML.“.
- Þegar vinnsla tekst birtir tólið tölfræði um ferlið: „Fjarlægði
{tags}tög og dró út{chars}stafi.“. - Ef úttakið er tómt eru aðgerðirnar „Afrita hreinan texta“ og „Nota niðurstöðu“ óvirkar.
Algengar spurningar
Hvað verður um script- og style-innihald?
Script-, style-, template- og noscript-blokkir eru skildar eftir úti, svo niðurstaðan einblínir á læsilegan texta síðunnar.
Afkóðar það HTML-tákn?
Já. Algeng tákn (entities) verða að þeim stöfum sem þau tákna í hreinum texta.
Eru málsgreinar og línubil varðveitt?
Blokk-stök og línubil verða að línubilum. Endurtekin bil eru snyrt svo auðvelt sé að afrita niðurstöðuna.