Softonic

مُحوّل HTML إلى نص

خطوة 1 / 2
التالي

رسائل البريد الإلكتروني النصية البسيطة، وتحليل النصوص، وعمليات حساب عدد الكلمات، جميعها تتطلب تحويل HTML إلى السلسلة النصية القابلة للقراءة كما يراها الإنسان، دون أي بقايا ترميز. ألصق HTML وستقوم هذه الأداة بإزالة جميع العلامات، وفك ترميز الكيانات (& → &)، ودمج تسلسلات المسافات الناتجة عن المسافات البادئة، ثم إخراج كتلة نصية نظيفة وسهلة القراءة جاهزة للتحليل أو لاستخدامها في جزء text/plain من رسالة بريد إلكتروني متعددة الأجزاء.

كيفية استخراج النص من ملف HTML

  1. 1

    ألصق HTML

    أي حجم: مقطع قصير، أو محتوى بريد إلكتروني منسّق، أو صفحة كاملة.

  2. 2

    حَوّل

    نقرة واحدة: تتم إزالة جميع العلامات والسمات وفك ترميز الكيانات.

  3. 3

    راجع فواصل الأسطر

    تتحول الفقرات وعناصر القوائم وصفوف الجداول إلى أسطر منفصلة، وبذلك يحتفظ النص ببنيته.

  4. 4

    قم بنسخ النص.

    النتيجة عبارة عن نص يونيكود بسيط، ويمكن استخدامه بسلامة في أداة عد الكلمات أو قالب بريد إلكتروني أو نموذج تحليل المشاعر.

كيف تتعامل عملية التحويل مع العلامات المعقدة

تحويل HTML إلى نص لا يقتصر على string.replace(/<[^>]+>/, "") فحسب؛ فالتعبير النمطي البسيط يترك رموز الكيانات ومسافات الإزاحة في مكانها، ولا يعلم أن </p> يجب أن يبدأ سطرًا جديدًا.

العلامات على مستوى الكتلة مقابل العلامات المضمّنة

العلامات على مستوى الكتلة (<br>، وعلامات الإغلاق </p> و</div> و</h1> حتى </h6> و</li> و</tr>) تُحدث فاصل سطر واحدًا لكل منها. أما العلامات المضمّنة (<a>، <span>، <strong>) فلا تترك أي مسافة، وبالتالي لا تلتصق الكلمات ببعضها.

سلوك العلامات المحدد

العلامة المعالجة
<br> فاصل سطر واحد
</p> و</div> و</h1> حتى </h6> فاصل سطر واحد لكل علامة إغلاق
</li> و</tr> فاصل سطر واحد؛ لا تُضاف رموز القوائم ولا فواصل خلايا الجداول
<a href="url">text</a> text؛ يُحذف السمة href
<img alt="text"> لا شيء، فالعلامة لا تحتوي نصًا مرئيًا
<script> و<style> تُحذف العلامات ويبقى النص بينها

فك ترميز الكيانات

  • تُفكّ الكيانات المسماة (&amp;، &copy;، &eacute;) إلى أحرف يونيكود المقابلة لها.
  • تُفكّ الكيانات الرقمية (&#169;، &#x00A9;) أيضًا.
  • تُحفظ الكيانات غير المعروفة كما هي حرفيًا، لتراها أدوات التحليل.

تسوية المسافات

  • تُحذف المسافات وعلامات الجدولة قبل فاصل السطر.
  • ثلاثة أسطر فارغة أو أكثر تُختصر إلى سطر فارغ واحد.
  • تُحفظ المسافات بين الكلمات كما هي؛ لا يعيد المحوّل ترتيب النص.

الاستخدامات

  • إنشاء جزء text/plain من رسالة بريد إلكتروني متعددة الأجزاء.
  • تنظيف المقالات المستخرجة قبل تمريرها إلى نموذج لغوي.
  • تغذية فهرس بحث نصي بسيط.
  • حساب عدد كلمات دقيق يتجاهل الترميز.

الأسئلة الشائعة

تُفقد التنسيقات المرئية (الخط العريض، اللون، نوع الخط)؛ وهذا هو المقصود بالضبط. تبقى البنية على شكل فواصل أسطر: تتحول الفقرات وعناصر القوائم وصفوف الجداول إلى أسطر منفصلة، لذلك يظل النص سهل القراءة.

يبقى النص المرئي للرابط، لكن يُحذف عنوان الرابط (URL) مع سمات العلامة. إذا كنت بحاجة إلى عناوين URL، فاستخدم أداة مخصصة لتحويل HTML إلى Markdown بدلاً من ذلك.

يزيل المحوّل العلامات نفسها لكنه يحتفظ بالنص بينها، لذلك يبقى محتوى كتلتي <script> و<style> في الناتج. احذفه من HTML المصدر أولاً إذا كنت لا تريده.

نعم، الناتج يتمثّل في تنسيق UTF-8 ويحتفظ بجميع الحروف غير المنتمية إلى مجموعة ASCII الموجودة في المدخل؛ أما الكيانات مثل &copy; و&eacute; فتُفكك إلى نظيراتها في نظام يونيكود.

أدوات ذات صلة

مرجع جدول ASCII

جدول ASCII كامل من 0 إلى 127 مع التمثيل العشري والست عشري والثماني والثنائي والمرجع الرقمي في HTML لكل محرف، بما في ذلك أكواد التحكم مثل NUL وLF وDEL.

مرجع أحرف HTML

قائمة قابلة للبحث بكيانات HTML، مع رموزها المسمّاة والرقمية، بالإضافة إلى خيار النسخ بنقرة واحدة للأحرف والرموز الخاصة.

مرجع اختصارات لوحة المفاتيح

ابحث في الاختصارات الافتراضية الموثقة لـ VS Code وChrome وBash مع GNU Readline على macOS وWindows وLinux.

مدقق البريد الإلكتروني

تحقق من عنوان بريد إلكتروني: فحص صياغة RFC 5322، واستعلام حي عن سجل MX، بالإضافة إلى تفاصيل الجزء المحلي والنطاق والطول. لا يتم إرسال أي بريد.

مولد EditorConfig

أنشئ ملف .editorconfig بقواعد نمط المسافة البادئة وحجمها ونهاية السطر ومجموعة الأحرف والمسافات البيضاء، لتنسيق موحّد عبر بيئات التطوير المتكاملة (IDEs) والمحررات.

منسق HTML

نسّق HTML محلياً في المتصفح بمسافة بادئة من مسافتين أو أربع مسافات. لا يُرفع HTML ولا يُتحقق منه.

الأداة متاحة بلغات أخرى