HTML ഉള്ളടക്കത്തെ പ്ലെയിൻ ടെക്സ്റ്റാക്കി മാറ്റുന്ന പ്രക്രിയ
വെബ് പേജുകളിൽ കാണുന്ന ഘടനാപരമായ HTML (Structured HTML) കോഡുകളെ ഘടനയില്ലാത്ത പ്ലെയിൻ ടെക്സ്റ്റ് (Unstructured plain text) രൂപത്തിലേക്ക് മാറ്റുന്നതിനുള്ള ഒരു ഉപകരണമാണ് HTML ടാഗ് സ്ട്രിപ്പർ. വെബ് ഡാറ്റയിൽ അടങ്ങിയിരിക്കുന്ന ടാഗുകൾ നീക്കം ചെയ്ത് വായിക്കാൻ സാധിക്കുന്ന വിവരങ്ങൾ മാത്രം വേർതിരിച്ചെടുക്കുക എന്നതാണ് ഇതിന്റെ പ്രധാന പ്രവർത്തനം. ഈ പ്രക്രിയയിൽ ഇൻപുട്ടായി നൽകുന്ന HTML കോഡിലെ എല്ലാ ടാഗുകളും ഒഴിവാക്കപ്പെടുകയും വെറും ടെക്സ്റ്റ് മാത്രം അവശേഷിക്കുകയും ചെയ്യുന്നു.
ഈ ടൂൾ ഉപയോഗിക്കുമ്പോൾ ഇൻപുട്ട് ഫീൽഡിൽ പരമാവധി 500,000 അക്ഷരങ്ങൾ വരെയുള്ള HTML ഉള്ളടക്കം നൽകാൻ സാധിക്കും. ഇൻപുട്ട് നൽകിക്കഴിഞ്ഞാൽ സിസ്റ്റം അതിലെ ടാഗുകൾ വിശകലനം ചെയ്യുകയും താഴെ പറയുന്ന രീതിയിൽ ഫലം നൽകുകയും ചെയ്യുന്നു:
- പ്ലെയിൻ ടെക്സ്റ്റ്: HTML ടാഗുകൾ പൂർണ്ണമായും ഒഴിവാക്കിയുള്ള ടെക്സ്റ്റ് രൂപം.
{tags}ടാഗുകൾ ഒഴിവാക്കി{chars}അക്ഷരങ്ങൾ വേർതിരിച്ചെടുത്തു.: ഒഴിവാക്കിയ ടാഗുകളുടെ എണ്ണവും വേർതിരിച്ചെടുത്ത അക്ഷരങ്ങളുടെ എണ്ണവും വ്യക്തമാക്കുന്ന സന്ദേശം.- HTML ടാഗുകളൊന്നും കണ്ടെത്തിയില്ല. ടെക്സ്റ്റ് പ്ലെയിൻ ടെക്സ്റ്റായി നിലനിർത്തിയിരിക്കുന്നു.: നൽകിയ ഇൻപുട്ടിൽ HTML ടാഗുകൾ ഒന്നും തന്നെ ഇല്ലെങ്കിൽ കാണിക്കുന്ന സന്ദേശം.
ഇൻപുട്ട് നൽകിയിട്ടില്ലെങ്കിൽ "പ്ലെയിൻ ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കാൻ HTML ചേർക്കുക." എന്ന സന്ദേശം കാണിക്കുന്നു. ഇൻപുട്ട് പരിധിയായ 500,000 അക്ഷരങ്ങളേക്കാൾ കൂടുതൽ ദൈർഘ്യമുള്ള ഉള്ളടക്കമാണ് നൽകുന്നതെങ്കിൽ "ഈ HTML ഈ ടൂളിന് വളരെ വലുതാണ്. ഇത് {max} അക്ഷരങ്ങളിൽ താഴെയായി സൂക്ഷിക്കുക." എന്ന പിശക് സന്ദേശം ദൃശ്യമാകും. കൂടാതെ, നൽകിയ HTML-ൽ നിന്ന് വിവരങ്ങൾ വേർതിരിച്ചെടുക്കാൻ സാധിക്കാത്ത സാഹചര്യങ്ങളിൽ "ഈ HTML-ൽ നിന്ന് ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കാൻ കഴിഞ്ഞില്ല." എന്ന സന്ദേശവും കാണിക്കുന്നു. ഔട്ട്പുട്ട് ഫീൽഡ് ശൂന്യമായിരിക്കുമ്പോൾ "പ്ലെയിൻ ടെക്സ്റ്റ് കോപ്പി ചെയ്യുക", "ഫലം ഉപയോഗിക്കുക" എന്നീ ഫങ്ഷനുകൾ പ്രവർത്തിക്കുകയില്ല.
ടാഗ് ഒഴിവാക്കലിലെ പ്രത്യേക നിയമങ്ങളും ഒഴിവാക്കപ്പെടുന്ന ബ്ലോക്കുകളും
HTML കോഡുകളിൽ വിവരങ്ങൾ പ്രദർശിപ്പിക്കുന്നതിനുള്ള ടാഗുകൾക്ക് പുറമെ സ്ക്രിപ്റ്റുകളും സ്റ്റൈലുകളും അടങ്ങിയിരിക്കാറുണ്ട്. ഈ ടൂൾ സാധാരണ ടാഗുകൾ മാത്രമല്ല, പേജിന്റെ പശ്ചാത്തലത്തിൽ പ്രവർത്തിക്കുന്ന പ്രത്യേക ബ്ലോക്കുകളെയും പൂർണ്ണമായി ഒഴിവാക്കുന്നു.
പ്രധാനമായും താഴെ പറയുന്ന ബ്ലോക്കുകൾ ഔട്ട്പുട്ടിൽ നിന്നും പൂർണ്ണമായി നീക്കം ചെയ്യപ്പെടുന്നു:
- Script: ജാവാസ്ക്രിപ്റ്റ് കോഡുകൾ അടങ്ങിയ ഭാഗങ്ങൾ.
- Style: സി.എസ്.എസ് (CSS) സ്റ്റൈലുകൾ അടങ്ങിയ ഭാഗങ്ങൾ.
- Template: വെബ് പേജുകളിൽ പിന്നീട് ഉപയോഗിക്കാനായി സൂക്ഷിക്കുന്ന ടെംപ്ലേറ്റ് ഘടകങ്ങൾ.
- Noscript: ബ്രൗസറിൽ സ്ക്രിപ്റ്റ് പ്രവർത്തിക്കാത്ത സാഹചര്യങ്ങളിൽ കാണിക്കേണ്ട വിവരങ്ങൾ അടങ്ങിയ ഭാഗങ്ങൾ.
ഈ ബ്ലോക്കുകൾ ഒഴിവാക്കുന്നതിലൂടെ വെബ് പേജിലെ യഥാർത്ഥ ഉള്ളടക്കം മാത്രം ഉപയോക്താവിന് ലഭ്യമാകുന്നു.
HTML എന്റിറ്റികളും അവയുടെ ഡീകോഡിംഗും
വെബ് പേജുകളിൽ ചില പ്രത്യേക ചിഹ്നങ്ങളും അക്ഷരങ്ങളും പ്രദർശിപ്പിക്കുന്നതിനായി ഉപയോഗിക്കുന്ന കോഡുകളാണ് HTML എന്റിറ്റികൾ (HTML Entities). ഉദാഹരണത്തിന്, സാധാരണയായി ബ്രൗസറുകൾ ടാഗ് തിരിച്ചറിയാൻ ഉപയോഗിക്കുന്ന < അല്ലെങ്കിൽ > പോലുള്ള ചിഹ്നങ്ങൾ ടെക്സ്റ്റിൽ കാണിക്കുന്നതിനായി < അല്ലെങ്കിൽ > എന്നിങ്ങനെ എഴുതാറുണ്ട്. ഈ ടൂൾ അത്തരം സാധാരണ HTML എന്റിറ്റികളെ കണ്ടെത്തി അവയ്ക്ക് പകരമുള്ള യഥാർത്ഥ അക്ഷരങ്ങളിലേക്ക് (Corresponding characters) ഡീകോഡ് ചെയ്യുന്നു. ഇതിലൂടെ കോഡ് രൂപത്തിലുള്ള ചിഹ്നങ്ങൾ മാറി സാധാരണ വായനാ രൂപത്തിലുള്ള ചിഹ്നങ്ങൾ ഔട്ട്പുട്ടിൽ ലഭ്യമാകുന്നു.
ബ്ലോക്ക് ഘടകങ്ങളും ലൈൻ ബ്രേക്കുകളും ക്രമീകരിക്കുന്ന വിധം
HTML-ൽ വിവരങ്ങൾ ക്രമീകരിക്കുന്നതിന് ബ്ലോക്ക് ഘടകങ്ങളും (Block elements) ലൈൻ ബ്രേക്കുകളും പ്രധാന പങ്ക് വഹിക്കുന്നു. ഈ ടൂൾ ടാഗുകൾ ഒഴിവാക്കുമ്പോഴും ഉള്ളടക്കത്തിന്റെ വായനാക്ഷമത നിലനിർത്താൻ പ്രത്യേക ക്രമീകരണങ്ങൾ നടത്തുന്നു:
- ലൈൻ ബ്രേക്കുകൾ നിലനിർത്തൽ: ബ്ലോക്ക് ഘടകങ്ങളും
<br>ടാഗുകളും ഔട്ട്പുട്ടിൽ പുതിയ വരികളായി (Line breaks) മാറ്റപ്പെടുന്നു. ഇത് ഖണ്ഡികകൾ തമ്മിലുള്ള വ്യത്യാസം കൃത്യമായി മനസ്സിലാക്കാൻ സഹായിക്കുന്നു. - സ്പേസുകൾ ക്രമീകരിക്കൽ: കോഡിംഗിന്റെ ഭാഗമായി HTML-ൽ ആവർത്തിച്ചു വരുന്ന സ്പേസുകൾ (Repeated spaces) ഒഴിവാക്കി ടെക്സ്റ്റ് കൂടുതൽ വൃത്തിയുള്ളതാക്കി മാറ്റുന്നു.
ക്ലയന്റ് സൈഡ് പ്രോസസ്സിംഗും സ്വകാര്യതയും
ഈ ടൂളിന്റെ പ്രവർത്തനം പൂർണ്ണമായും ഉപയോക്താവിന്റെ വെബ് ബ്രൗസറിലാണ് നടക്കുന്നത് (Client-side processing). നിങ്ങളുടെ HTML ബ്രൗസറിൽ വെച്ചാണ് സ്ട്രിപ്പ് ചെയ്യുന്നത്. വിവരങ്ങളൊന്നും BroBroGo-ലേക്ക് അപ്ലോഡ് ചെയ്യുന്നില്ല. ഇത് പ്രോസസ്സിംഗ് വേഗത്തിലാക്കാനും ഡാറ്റാ കൈമാറ്റം ഒഴിവാക്കാനും സഹായിക്കുന്നു.
ഈ ടൂൾ ആർക്കൊക്കെ ആവശ്യമാണ്?
- റിച്ച് ടെക്സ്റ്റ് ഫോർമാറ്റിലുള്ള വിവരങ്ങളെ എളുപ്പത്തിൽ കോപ്പി ചെയ്യാവുന്ന പ്ലെയിൻ ടെക്സ്റ്റ് രൂപത്തിലേക്ക് മാറ്റാൻ ആഗ്രഹിക്കുന്നവർക്ക്.
- വെബ് പേജുകളുടെ ഭാഗങ്ങളിൽ (Web page fragments) നിന്ന് ടെക്സ്റ്റ് മാത്രം വേർതിരിച്ചെടുക്കേണ്ടി വരുന്നവർക്ക്.
- വെബ് സ്ക്രാപ്പിംഗ് (Scraped HTML) വഴി ശേഖരിച്ച കോഡുകളിൽ നിന്ന് വൃത്തിയുള്ള ടെക്സ്റ്റ് ആവശ്യമായി വരുന്നവർക്ക്.
- യഥാർത്ഥത്തിൽ HTML ഫോർമാറ്റിൽ എഴുതപ്പെട്ട ടെക്സ്റ്റുകൾ എഡിറ്റ് ചെയ്യേണ്ടി വരുന്നവർക്ക്.
പതിവുചോദ്യങ്ങൾ (FAQ)
ചോദ്യം: സ്ക്രിപ്റ്റ്, സ്റ്റൈൽ ഉള്ളടക്കങ്ങൾക്ക് എന്ത് സംഭവിക്കും?
ഉത്തരം: Script, style, template, noscript ബ്ലോക്കുകൾ ഒഴിവാക്കിക്കൊണ്ടാണ് ഫലം നൽകുന്നത്, അതിനാൽ വായിക്കാൻ കഴിയുന്ന പേജ് ടെക്സ്റ്റിൽ മാത്രം ഇത് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
ചോദ്യം: ഇത് HTML എന്റിറ്റികളെ ഡീകോഡ് ചെയ്യുമോ?
ഉത്തരം: അതെ. സാധാരണ എന്റിറ്റികൾ പ്ലെയിൻ ടെക്സ്റ്റ് ഔട്ട്പുട്ടിൽ അവ സൂചിപ്പിക്കുന്ന അക്ഷരങ്ങളായി മാറും.
ചോദ്യം: ഖണ്ഡികകളും ലൈൻ ബ്രേക്കുകളും നിലനിർത്തുമോ?
ഉത്തരം: ബ്ലോക്ക് ഘടകങ്ങളും ലൈൻ ബ്രേക്കുകളും പുതിയ വരികളായി മാറും. ആവർത്തിച്ചുള്ള സ്പേസുകൾ ക്രമീകരിക്കുന്നതിനാൽ ഫലം എളുപ്പത്തിൽ കോപ്പി ചെയ്യാനാകും.
ചോദ്യം: എന്റെ ഡാറ്റ സുരക്ഷിതമാണോ?
ഉത്തരം: നിങ്ങളുടെ HTML ബ്രൗസറിൽ വെച്ചാണ് സ്ട്രിപ്പ് ചെയ്യുന്നത്. വിവരങ്ങളൊന്നും BroBroGo-ലേക്ക് അപ്ലോഡ് ചെയ്യുന്നില്ല.