* Conoscenza del computer >> sistemi >  >> Windows 2016

Convertire HTML in testo semplice: metodi browser, editor, riga di comando

L'HTML include tag di markup (<p>, <div>, <span class=...>) invisibili nel browser. Estrarre solo il testo visibile serve per analisi, archiviazione, accessibilità, processing NLP.

Metodo 1: Browser → Salva come Testo (più veloce, singola pagina)

  1. Aprite pagina in browser (Chrome, Firefox, Edge, Safari).
  2. Ctrl+S (Cmd+S Mac) → Salva come.
  3. Tipo file: Solo testo (*.txt) / Pagine di testo.
  4. Salvate. Il file conterrà testo lineare (spesso senza interruzioni paragrafo pulite).

Limite: JavaScript rendering non eseguito (contenuto dinamico mancante).

Metodo 2: Copia-incolla selettiva (controllo totale)

  1. Selezionate testo desiderato nel browser (Ctrl+A per tutto).
  2. Ctrl+C.
  3. Incollate in Blocco note (Notepad) / TextEdit (Mac, modalità testo semplice: ⌘⇧T) / VS Code / Notepad++.
  4. Salvate .txt.

Mantiene struttura visiva approssimativa.

Metodo 3: Modalità lettura / Reader View (pulito)

  • Firefox: F9 o icona pagina libro in barra indirizzi.
  • Edge: F9 o icona libro.
  • Chrome: Estensione "Reader View" o flag chrome://flags/#enable-reader-mode.
  • Safari: Icona righe orizzontali in barra indirizzi.

Poi Metodo 1 o 2 su vista pulita (no nav, ads, sidebar).

Metodo 4: Strumenti riga di comando / Automazione (batch, scripting)

pandoc (swiss army knife)

# HTML file → txt
pandoc -f html -t plain input.html -o output.txt

# URL diretto → txt
pandoc -f html -t plain "https://example.com" -o output.txt

# Mantieni struttura markdown
pandoc -f html -t markdown input.html -o output.md

lynx / links / w3m (browser testuali)


lynx -dump "https://example.com" > output.txt
links -dump "https://example.com" > output.txt
w3m -dump "https://example.com" > output.txt

Eseguono rendering completo (tabelle, form, link → [testo](url)).

Python: BeautifulSoup / html2text / trafilatura


# BeautifulSoup (estrazione base)
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("input.html"), "html.parser")
text = soup.get_text(separator="\n", strip=True)
print(text)

# html2text (converte in Markdown)
import html2text
h = html2text.HTML2Text()
h.ignore_links = False
markdown = h.handle(open("input.html").read())

# trafilatura (estrazione articolo principale, AI-based)
import trafilatura
downloaded = trafilatura.fetch_url("https://example.com")
text = trafilatura.extract(downloaded, output_format="txt")

Node.js: turndown / readability


const TurndownService = require('turndown');
const { JSDOM } = require('jsdom');
const dom = new JSDOM(html);
const turndown = new TurndownService();
const markdown = turndown.turndown(dom.window.document);

Metodo 5: Editor web completi (Dreamweaver, VS Code + estensioni)

  • Adobe Dreamweaver: Visualizza → Codice → Solo testo o Modifica → Copia testo.
  • VS Code: Estensione "HTML to Text" o "Copy as Plain Text".

Elaborazione testi (Word, LibreOffice, Google Docs)

  1. Incolla HTML in Word.
  2. File → Salva con nome → Tipo: Solo testo (*.txt).
  3. Codifica: UTF-8.

Word tenta di preservare formattazione base (grassetto → *grassetto*, elenchi → trattini).

⚠ Safari: nessuna opzione "Salva come testo"

Usate Metodo 2 (copia-incolla) o Metodo 3 (Reader View + copia).

Confronto rapido

MetodoVelocitàQualità testoJS renderingBatch
Browser Salva come txt★★★★★★★☆☆☆NoNo
Copia-incolla★★★★☆★★★★☆Sì (browser)Manuale
Reader View + copia★★★★☆★★★★★SìManuale
pandoc★★★★☆★★★★☆No★★★★★
lynx/links/w3m★★★★☆★★★★★No★★★★★
trafilatura (Python)★★★☆☆★★★★★Sì (fetch)★★★★★

Windows 2016