HTML إلى Markdown: تحويل الصفحة المحفوظة إلى شيء يستحق القراءة
افتح أي .html الملف الذي قمت بحفظه من الويب في محرر نصوص وأول شيء ستقوم به
الإشعار هو كم هو قليل منه المقال. ألف وخمسمائة سطر من قوائم التنقل ولافتات ملفات تعريف الارتباط والتتبع
بكسل، مضمنة <style> كتل، و <div class="wrapper-outer-container">
تتداخل ستة مستويات بعمق - ملفوفة حول أربعين فقرة من الكتابة الفعلية. الصق ذلك في الدردشة
Assistant وستحرق معظم نافذة السياق الخاصة بك على ترميز لا يعني شيئًا للنموذج.
تحويل HTML إلى Markdown يقلب تلك النسبة. تتم ترجمة العلامات التي تحمل المعنى؛ يتم إسقاط العلامات التي تحمل التخطيط فقط. ما يخرج هو مستند بنفس شكل الملف الصفحة الأصلية - العناوين، والقوائم، والجداول، والروابط، وكتل التعليمات البرمجية - في عُشر الأحرف تقريبًا. قم بتحميل ملف أعلاه وسيكون لديك في بضع ثوان. مجاني، لا يوجد تسجيل، لا شيء مخزن.
كيفية تعيين علامات HTML إلى Markdown
تم تصميم Markdown كاختصار لمجموعة فرعية من HTML، لذا فإن معظم الترجمة قريبة من واحد لواحد. معرفة التعيين يخبرك بالضبط بما يمكن توقعه في الإخراج:
<h1>من خلال<h6>تصبح#من خلال######. يتم الحفاظ على عمق العنوان حرفيًا، وهو ما يهم أكثر مما يبدو — يحتاج النموذج المطلوب تلخيصه قسمًا تلو الآخر إلى معرفة العناوين الشقيقة.<ul>،<ol>ومتداخلة<li>تصبح اندفاعة و قوائم الأرقام ذات المسافة البادئة التي تحمل التداخل.<table>يصبح جدول توجيه، بشرط أن يكون الجدول جدول بيانات حقيقي. الجداول المستخدمة للتخطيط فقط - الذي لا يزال شائعًا في HTML للبريد الإلكتروني والمواقع القديمة - يتم تحويله إلى شيء هيكليًا صالحة ولكن عديمة الفائدة من الناحية الدلالية.<a href>يصبح[text](url)، لذا فإن الوجهات تبقى على قيد الحياة بدلاً من ذلك أترك لك نصًا معزولًا.<code>و<pre>تصبح backticks وكتل مسيجة. هذا هو السبب الأكبر وراء تحويل المطورين لصفحات المستندات بهذه الطريقة هو أن المقتطفات تظل مقتطفات.<strong>،<em>،<blockquote>خريطة لهم معادلات واضحة.<script>،<style>،<meta>، مضمنةstyle=السمات، وأسماء الفئات، وسمات البيانات - تم تجاهلها كلها. لا شيء منه ينجو، ولا ينبغي لأي منها.
الصفحة المحفوظة ليست مثل HTML النظيف
هناك فرق حقيقي بين ملف HTML الذي كتبه شخص ما وملف HTML الذي تخلص منه المتصفح، ويظهر على الفور في الإخراج.
HTML مكتوب يدويًا - تصدير موقع ثابت، وإنشاء وثائق، وقالب بريد إلكتروني، وتقرير تم إنشاؤه بواسطة أداة إعداد التقارير - تميل إلى أن تكون مرتبة ودلالية. العناوين هي العناوين. الفقرات هي فقرات. هذه تحويل بشكل مثالي تقريبًا.
الصفحة المحفوظة باستخدام Ctrl+S من موقع حديث تعتبر حيوانًا مختلفًا. لقد حصلت على DOM لما بعد JavaScript، مكتملًا مع الرأس الثابت، وشريط المقالات ذات الصلة، وثلاث رسائل إخبارية، وخريطة موقع التذييل مع ثمانين وصلة. كل هذا هو HTML شرعي، لذلك يتم تحويله بالكامل. الإخراج صحيح — لقد حصل للتو صفحة الأثاث فيه. هناك عادتان تساعدان: استخدم وضع القارئ في متصفحك واحفظ منه، أو قم بالتحويل أولاً، قم بحذف الجزء العلوي والسفلي من Markdown قبل استخدامه. القشط والتشذيب يأخذ تحت أ دقيقة ويحسن بشكل ملحوظ كل ما تفعله بعد ذلك.
عندما يتحول الملف إلى لا شيء تقريبًا
في بعض الأحيان، يمكنك تحويل صفحة محفوظة واستعادة عنوان وسطرين. وهذا ليس فشلا لل المحول - إنه تطبيق من صفحة واحدة.
غالبًا ما تقوم المواقع التي تم إنشاؤها باستخدام React وVue وAngular والأصدقاء بشحن غلاف HTML فارغ بالفعل:
أ <div id="root"></div> وعلامة البرنامج النصي. المحتوى الذي رأيته في المتصفح كان
تم تجميعها بواسطة JavaScript في وقت التشغيل ولم تكن موجودة في الملف مطلقًا. اعتمادًا على كيفية حفظه، يمكنك ذلك
لقد استولت على الصدفة بدلاً من النتيجة المقدمة. افتح الملف في محرر النصوص وابحث عن ملف
الجملة التي تتذكر قراءتها - إذا لم تكن موجودة، فلن يتمكن المحول من اختراعها.
الحل هو حفظ ملف DOM المعروض بدلاً من ذلك (في Chrome DevTools، انقر بزر الماوس الأيمن فوق ملف <html>
عقدة ونسخ HTML الخارجي إلى ملف جديد)، أو تخطي الملف بالكامل واستخدامه
Web2Txt، والذي يأخذ عنوان URL المباشر، يتم تحميله
الصفحة بشكل صحيح، وإرجاع Markdown. يستحق هذا التمييز التمسك به: هذه الصفحة تقوم بتحويل ملف
ملف HTML لديك بالفعل، بينما يقوم Web2Txt بجلب الصفحة التي لا تقوم بذلك.
مشكلة الارتباط النسبي
هذا واحد يمسك الناس. الصفحة التي ترتبط بها /docs/getting-started أو
../api/reference.html يعتمد على المتصفح الذي يعرف المجال والدليل الذي جاء فيه
من. بمجرد خروج الملف من الخادم الخاص به، سيختفي هذا السياق. سيتم تحويل Markdown بأمانة
تحتوي على [Getting Started](/docs/getting-started) - الرابط الذي لا يشير الآن إلى أي مكان
خاص.
بالنسبة إلى عمل LLM، لا يهم هذا عادةً، لأنك تهتم بالنثر ونص الارتباط، وليس ما إذا كان
حل عناوين URL. ولكن إذا كنت تقوم ببناء وثائق تنوي نشرها، أو قاعدة معرفية حيث
يجب أن تعمل المراجع الترافقية، وتتحقق من المخرجات، ثم تعيد كتابة المسارات أو تجريد الروابط. صورة
src السمات لها نفس المشكلة، وهذا هو سبب ظهور صور الصفحة غير المتصلة بالإنترنت
كمراجع مكسورة.
Markdown أم نص عادي لملف HTML؟
اختر Markdown عندما تكون بنية الصفحة جزءًا مما تريده. التوثيق مع عينات التعليمات البرمجية و
التسلسل الهرمي للعنوان. برنامج تعليمي مع خطوات مرقمة. مقالة مقارنة بنيت حول طاولة. بريد إلكتروني
النشرة مع الأقسام. وفي كل هؤلاء، # والأنابيب والكتل المسيجة
تحمل معلومات حقيقية، و محول HTML إلى Markdown لـ LLM يقوم به سير العمل
بالضبط ما تريد.
اختر HTML إلى نص عادي عندما تريد فقط الكلمات - إنشاء مجموعة، أو تغذية مصنف، أو فهرسة للبحث، أو تشغيل أي مسار حيث تكون أحرف بناء الجملة ضوضاء. يوجد تنسيق تبديل في أعلى هذه الصفحة للتبديل بين الاثنين ويحمل الملف الذي حددته عبره، وبالتالي تحويل نفس الصفحة في كلا الاتجاهين ومقارنة التكاليف لك تحميل واحد.
ما يفعله الناس في الواقع مع هذا
- تغذية المستندات إلى مساعد الترميز. حفظ صفحات وثائق المكتبة، قم بتحويلها إلى Markdown، والصقها بجانب ملفك GitHub المستودع كنص. يرى النموذج سطح واجهة برمجة التطبيقات (API) واستخدامك له، وتبقى كتل التعليمات البرمجية سليمة على كلا الجانبين.
- ترحيل الموقع. تأكل مولدات الموقع الثابتة Markdown. تحويل صفحات HTML القديمة غالبًا ما يكون هذا هو أسرع تمرير أولي لترحيل نظام إدارة المحتوى (CMS)، حتى لو قمت بالترتيب بعد ذلك.
- أرشفة المقالات لتحليلها لاحقا. ملفات Markdown صغيرة وقابلة للاختلاف و يمكن السيطرة عليه بطريقة لا يكون فيها مجلد HTML المحفوظ أبدًا.
- تحويل قوالب البريد الإلكتروني إلى محتوى قابل للقراءة. HTML التسويقي عبارة عن حساء المائدة؛ ال إصدار Markdown هو الرسالة الفعلية.
- بناء مكتبات سريعة. المادة المرجعية في Markdown تسقط مباشرة في النظام موجه أو فهرس RAG دون مزيد من المعالجة.
عداد الرمز المميز الموجود أسفل الإخراج هو الجزء العملي هنا. صفحة التوثيق التي بدت قصيرة في يمكن أن يصبح المتصفح ثقيلًا بشكل مدهش بمجرد تضمين الجداول وكتل التعليمات البرمجية ومعرفة الرقم قبل أن تقوم بلصق النبضات لاكتشاف خطأ الاقتطاع.
الأسئلة المتداولة
كيف أقوم بتحويل ملف HTML إلى Markdown؟
تحميل .html أو .htm الملف أعلاه ويعود بتنسيق Markdown، ويمكن تنزيله بتنسيق .md. مجانًا، 50 ميجابايت لكل ملف، بدون حساب. خريطة العناوين ل # المستويات، وتبقى القوائم متداخلة، وتحتفظ الروابط بعناوين URL الخاصة بها [text](url) النموذج، وكتل التعليمات البرمجية تبقى مسيجة.
هل يحتفظ بالروابط وعناوين URL الخاصة بها؟
نعم — هذا هو السبب الرئيسي لاختيار Markdown أكثر نص عادي هنا. كل مرساة تتحول إلى [label](href)، وبالتالي تبقى الوجهات على قيد الحياة. إذا كنت تقوم بأرشفة الوثائق أو التدقيق في الأماكن التي تشير إليها الصفحة، فهذا هو الفرق بين السجل المفيد وإعادة الصياغة.
هل يمكنني تحويل عنوان URL المباشر بدلاً من الملف المحفوظ؟
ليس من هذه الصفحة. Web2Txt يأخذ عنوان URL، ويجلب الصفحة ويعيد Markdown في خطوة واحدة. هذه الصفحة مخصصة لـ HTML الموجود لديك بالفعل على القرص — المقالات المحفوظة، أو الرسائل الإخبارية المصدرة، أو التقارير التي تم إنشاؤها، أو المخرجات من إصدار محلي.
هل هذه طريقة معقولة لترحيل موقع إلى مولد ثابت؟
بالنسبة للمحتوى، نعم. يتم تحويل النثر والعناوين والقوائم والجداول وكتل التعليمات البرمجية بشكل نظيف بما يكفي للالتزام والتحرير. ما لن تفعله هو إعادة بناء بنية المعلومات الخاصة بك، أو إعادة كتابة الروابط الداخلية لمسارات جديدة، أو استخراج المادة الأمامية - تلك هي أجزاء الترحيل التي تظل يدوية بغض النظر عن المحول الذي تستخدمه.
ماذا يحدث للجداول وكتل التعليمات البرمجية؟
تصبح الجداول جداول أنبوبية وتبقى كتل التعليمات البرمجية المسيجة مسيجة، وكلاهما عادةً ما يظل جيدًا لأن مصدر HTML وضع علامة واضحة عليهما. الضحية الشائعة هي تسليط الضوء على بناء الجملة الذي يتم التعبير عنه من خلال كل رمز مميز <span> الفئات - الكود صحيح، لكن تلميح اللغة الذي أدى إلى التلوين غالبًا ما يكون غير قابل للاسترداد، لذا قم بإضافته مرة أخرى يدويًا إذا كان ذلك مهمًا.
تنسيقات وأدوات أخرى
HTML هو أحد التنسيقات File2Txt مقابض - قم بتحميل أي شيء وسيحدد ما يجب فعله. إذا كنت تعرف ما لديك، انتقل مباشرة إلى PDF إلى Markdown، كلمة إلى Markdown، JSON إلى Markdownأو XML إلى Markdown. لجدول الصادرات، CSV إلى Markdown يبني جداول الأنابيب من البيانات المحددة.
بالنسبة للكود، هناك GitHub لتحويل النص، أ GitLab الإصدار، و أ محول المجلد المحلي التي لا يتم تحميلها أبدًا أي شيء. هناك أيضًا قطعة أطول إعداد المستندات لـ LLMs إذا كنت تريد الوسيطة العامة بدلاً من الوسيطة الخاصة بـ HTML.
تم إنشاء Repo2Txt وصيانته بواسطة v12hero، مطور مستقل يبني تطبيقات أصلية وتطبيقات ويب تهتم بالخصوصية أولاً.