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)
- Aprite pagina in browser (Chrome, Firefox, Edge, Safari).
- Ctrl+S (Cmd+S Mac) → Salva come.
- Tipo file: Solo testo (*.txt) / Pagine di testo.
- 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)
- Selezionate testo desiderato nel browser (Ctrl+A per tutto).
- Ctrl+C.
- Incollate in Blocco note (Notepad) / TextEdit (Mac, modalità testo semplice: ⌘⇧T) / VS Code / Notepad++.
- 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)
- Incolla HTML in Word.
- File → Salva con nome → Tipo: Solo testo (*.txt).
- 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
| Metodo | Velocità | Qualità testo | JS rendering | Batch |
|---|---|---|---|---|
| Browser Salva come txt | ★★★★★ | ★★☆☆☆ | No | No |
| Copia-incolla | ★★★★☆ | ★★★★☆ | Sì (browser) | Manuale |
| Reader View + copia | ★★★★☆ | ★★★★★ | Sì | Manuale |
| pandoc | ★★★★☆ | ★★★★☆ | No | ★★★★★ |
| lynx/links/w3m | ★★★★☆ | ★★★★★ | No | ★★★★★ |
| trafilatura (Python) | ★★★☆☆ | ★★★★★ | Sì (fetch) | ★★★★★ |
- Sincronizzare orologio Windows con server NTP automaticamente
- Convertire file .TiVo in MPEG: TiVo Desktop + DirectShow Dump
Windows 2016
- Come far partire l'asse X dal primo punto dati in Excel: eliminare spazio vuoto
- Requisiti di banda minima per usare Skype: voce, video e chiamate di gruppo
- Cos'è l'istruzione basata sul computer (CBI) e perché è importante
- Fogli di calcolo vs elaboratori di testi: differenze fondamentali
- Come riconciliare l'estratto conto bancario in QuickBooks
- Backup su Acer Aspire One con Windows 7: guida completa
- Come eliminare lo sfondo bianco attorno a una foto in InDesign (tracciato di ritaglio + testo a capo)
- Come abilitare i controlli ActiveX in Microsoft Access 2010