HTML سے سادہ ٹیکسٹ کی تبدیلی کا عمل
جب آپ کسی ویب صفحے یا ایچ ٹی ایم ایل (HTML) دستاویز سے مواد کاپی کرتے ہیں، تو اس میں پس منظر کے کوڈز، ٹیگز اور دیگر فارمیٹنگ عناصر شامل ہوتے ہیں۔ "HTML ٹیگ اسٹریپر" ایک ایسا ٹول ہے جو اسٹرکچرڈ HTML کو ان اسٹرکچرڈ سادہ ٹیکسٹ (plain text) میں تبدیل کرتا ہے۔ یہ عمل ان پٹ فیلڈ میں فراہم کردہ کوڈ کا تجزیہ کر کے تمام ٹیگز کو ہٹا دیتا ہے اور صرف پڑھنے کے قابل متن فراہم کرتا ہے۔
اس تبدیلی کے دوران، یہ ٹول نہ صرف بنیادی ٹیگز کو ہٹاتا ہے بلکہ اسکرپٹ (script)، اسٹائل (style)، ٹیمپلیٹ (template) اور noscript بلاکس کو بھی مکمل طور پر خارج کر دیتا ہے۔ اس کا مقصد یہ یقینی بنانا ہے کہ آؤٹ پٹ میں کوئی غیر ضروری کوڈ یا پروگرامنگ اسکرپٹ باقی نہ رہے اور صارف کو صرف خالص متن حاصل ہو۔
ان پٹ اور آؤٹ پٹ کے اصول اور حدود
اس ٹول کو استعمال کرنے کے لیے مخصوص تکنیکی حدود اور اصول وضع کیے گئے ہیں تاکہ کارکردگی کو برقرار رکھا جا سکے:
- ان پٹ کی حد: آپ ان پٹ فیلڈ میں زیادہ سے زیادہ 500,000 حروف (characters) پر مشتمل HTML مواد پیسٹ یا ٹائپ کر سکتے ہیں۔
- خالی ان پٹ کا پیغام: اگر ان پٹ فیلڈ خالی ہو تو سسٹم کی جانب سے "سادہ ٹیکسٹ نکالنے کے لیے HTML شامل کریں۔" کا پیغام ظاہر ہوتا ہے۔
- حد سے تجاوز کی صورت میں: اگر فراہم کردہ HTML مواد 500,000 حروف سے زیادہ ہو جائے، تو ٹول کام نہیں کرے گا اور یہ خرابی کا پیغام دکھائے گا: "یہ HTML اس ٹول کے لیے بہت طویل ہے۔ اسے
{max}حروف سے کم رکھیں۔"۔ - خرابی کا الرٹ: اگر فراہم کردہ کوڈ کا ڈھانچہ ایسا ہو جس سے متن نکالنا ممکن نہ ہو، تو سسٹم "اس HTML سے ٹیکسٹ نہیں نکالا جا سکا۔" کا پیغام ظاہر کرتا ہے۔
- بغیر ٹیگ کا متن: اگر ان پٹ میں کوئی HTML ٹیگ موجود نہ ہو، تو ٹول متن میں کوئی تبدیلی نہیں کرتا اور یہ پیغام دکھاتا ہے: "کوئی HTML ٹیگ نہیں ملا۔ ٹیکسٹ کو سادہ ٹیکسٹ کے طور پر رکھا گیا ہے۔"۔
جب آؤٹ پٹ فیلڈ خالی ہوتی ہے، تو "سادہ ٹیکسٹ کاپی کریں" اور "نتیجہ استعمال کریں" کے فنکشنز خود بخود غیر فعال ہو جاتے ہیں۔
بلاک عناصر، لائن بریکس اور خالی جگہوں کی ترتیب
متن کی ساخت کو برقرار رکھنے کے لیے یہ ٹول بلاک عناصر (block elements) اور لائن بریکس کو منظم کرتا ہے۔ جب HTML میں موجود بلاک لیول ٹیگز کو ہٹایا جاتا ہے، تو ان کی جگہ آؤٹ پٹ میں لائن بریکس (line breaks) شامل کر دیے جاتے ہیں تاکہ پیراگراف اور لائنوں کا درمیانی فاصلہ برقرار رہے۔ اس کے علاوہ <br> ٹیگز کو بھی لائن بریکس میں تبدیل کیا جاتا ہے۔
متن کو مزید صاف ستھرا بنانے کے لیے، کوڈ میں بار بار آنے والی اضافی خالی جگہوں (repeated spaces) کو درست کیا جاتا ہے۔ اس عمل سے متن کا غیر ضروری پھیلاؤ ختم ہو جاتا ہے اور وہ پڑھنے اور کاپی کرنے کے لیے موزوں حالت میں آ جاتا ہے۔
HTML اینٹیٹیز کو ڈی کوڈ کرنا
ویب صفحات پر بعض مخصوص حروف کو ظاہر کرنے کے لیے HTML اینٹیٹیز (entities) کا استعمال کیا جاتا ہے۔ مثال کے طور پر، کچھ علامتیں براہ راست کوڈ میں لکھنے کے بجائے مخصوص اینٹیٹی کوڈز کے ذریعے لکھی جاتی ہیں۔
یہ ٹول پروسیسنگ کے دوران ان تمام عام HTML اینٹیٹیز کو شناخت کرتا ہے اور انہیں ان کے اصل حروف (corresponding characters) میں تبدیل کر دیتا ہے۔ اس ڈی کوڈنگ کے نتیجے میں صارف کو کوڈڈ علامتوں کے بجائے اصل پڑھنے کے قابل حروف حاصل ہوتے ہیں۔
براؤزر پر مبنی پروسیسنگ اور رازداری
اس ٹول میں رازداری اور ڈیٹا کی حفاظت کا خاص خیال رکھا گیا ہے۔ آپ کا HTML آپ کے براؤزر میں ہی صاف کیا جاتا ہے۔ BroBroGo پر کچھ بھی اپ لوڈ نہیں کیا جاتا۔ تمام پروسیسنگ مقامی طور پر صارف کے اپنے سسٹم پر ہوتی ہے، جس کی وجہ سے ڈیٹا کسی بیرونی سرور پر منتقل نہیں ہوتا۔
ٹول کے استعمال کے اہم ترین مواقع
یہ ٹول مختلف قسم کے صارفین اور تکنیکی کاموں کے لیے کارآمد ہے:
- رچ ٹیکسٹ کو سادہ ٹیکسٹ میں بدلنا: جب کسی فارمیٹ شدہ دستاویز یا ویب پیج سے متن کو بغیر کسی فارمیٹنگ کے کاپی کرنا مقصود ہو۔
- ویب پیج کے ٹکڑوں سے متن نکالنا: ویب صفحات کے مخصوص حصوں یا کوڈ کے ٹکڑوں (fragments) سے خام متن حاصل کرنے کے لیے۔
- اسکریپ شدہ ڈیٹا کی صفائی: ویب اسکریپنگ (web scraping) کے ذریعے حاصل کردہ HTML کوڈ سے صاف متن نکالنے کے لیے۔
- HTML فارمیٹ کے متن کی ایڈیٹنگ: ایسے متن میں ترمیم کرنا جو اصل میں HTML فارمیٹ میں محفوظ تھا اور اسے سادہ ٹیکسٹ ایڈیٹر میں استعمال کرنا ہو۔
انٹرفیس کے اعداد و شمار اور میٹرکس
ٹول کا انٹرفیس صارف کو پروسیسنگ کے دوران درج ذیل لائیو میٹرکس اور پیغامات دکھاتا ہے:
| میٹرک / پیغام | تفصیل |
|---|---|
| ان پٹ | ان پٹ فیلڈ میں موجود اصل HTML مواد۔ |
| ٹیگز | ان پٹ میں پائے جانے والے کل HTML ٹیگز کی تعداد۔ |
| نتیجہ | آؤٹ پٹ میں تیار ہونے والے سادہ ٹیکسٹ کے حروف کی تعداد۔ |
{tags} ٹیگز ہٹا دیے گئے اور {chars} حروف نکالے گئے۔ |
پروسیسنگ مکمل ہونے پر ہٹائے گئے ٹیگز اور نکالے گئے حروف کی درست تعداد کا پیغام۔ |
اکثر پوچھے گئے سوالات (FAQ)
اسکرپٹ اور اسٹائل کے مواد کا کیا ہوتا ہے؟
اسکرپٹ، اسٹائل، ٹیمپلیٹ اور noscript بلاکس کو نتیجے سے باہر رکھا جاتا ہے، تاکہ آؤٹ پٹ صرف پڑھنے کے قابل صفحہ کے ٹیکسٹ پر مرکوز رہے۔
کیا یہ HTML اینٹیٹیز کو ڈی کوڈ کرتا ہے؟
جی ہاں۔ عام اینٹیٹیز (entities) سادہ ٹیکسٹ آؤٹ پٹ میں ان حروف میں تبدیل ہو جاتی ہیں جن کی وہ نمائندگی کرتی ہیں۔
کیا پیراگراف اور لائن بریکس برقرار رہتے ہیں؟
بلاک عناصر اور لائن بریکس، لائن بریکس میں تبدیل ہو جاتے ہیں۔ بار بار آنے والی خالی جگہوں کو درست کیا جاتا ہے تاکہ نتیجے کو کاپی کرنا آسان رہے۔