Convertir HTML en Texte en ligne gratuitement

Convertir du HTML en texte : extraire seulement les mots d'un fichier de page web

Parfois, ce n'est pas un document que vous voulez. C'est un mur de phrases. Des données d'entraînement pour un classifieur, un corpus pour du topic modelling, des morceaux pour un index d'embeddings, l'entrée d'un résumeur qui ignorera la mise en forme de toute façon — dans tous ces cas, chaque #, chaque | et chaque ** est un caractère qui vous coûte quelque chose et ne vous rapporte rien.

C'est à ça que sert cette page. Déposez un fichier .html ou .htm et vous récupérez la prose lisible, débarrassée du balisage — pas de balises, pas d'attributs, pas de syntaxe. Gratuit, sans inscription, limite de 50 Mo, et le fichier n'est stocké nulle part ensuite. Si vous préférez conserver la hiérarchie des titres et les tableaux, HTML vers Markdown est la page jumelle, et le sélecteur de format ci-dessus y transporte votre fichier sans nouvel envoi.

Extraire le texte du HTML : ce qu'il faut vraiment réussir

Supprimer naïvement tout ce qui se trouve entre chevrons produit un torchon, et comprendre pourquoi vaut la peine — c'est la différence entre un texte utilisable et une bouillie.

Le HTML a des éléments de bloc et des éléments en ligne, et ils réclament un traitement opposé. Quand un </p> se ferme et que le <p> suivant s'ouvre, c'est une frontière de paragraphe qui doit devenir un saut de ligne. Quand un </strong> se ferme au milieu d'une phrase, ce n'est pas une frontière du tout — y insérer un retour à la ligne trancherait la phrase en deux. Ratez ça et vous vous retrouvez avec un texte où le rapide renard brun arrive en quatre lignes séparées parce que quelqu'un a mis deux des mots en gras.

L'autre moitié du travail, ce sont les espaces. Le HTML replie les suites d'espaces, de tabulations et de retours à la ligne en un seul au rendu, si bien qu'une source indentée pour être jolie contient des quantités énormes d'espace qui n'a jamais été destiné à être visible. Une vraie conversion de HTML en texte replie tout ça comme le fait le navigateur — c'est pourquoi la sortie se lit comme la page s'affichait, et non comme le fichier était écrit. Les éléments de liste ont chacun leur ligne, <br> devient un saut de ligne, et les cellules de tableau sont séparées plutôt qu'agglutinées.

Entités, apostrophes typographiques et caractères mystères

Le HTML encode certains caractères pour qu'ils n'entrent pas en collision avec le balisage. & est une esperluette. < est un signe inférieur.   est une espace insécable, ’ une apostrophe typographique, — un tiret cadratin. Dans le navigateur, vous ne voyez jamais les codes — vous voyez les caractères.

Dans un texte extrait, les entités non décodées sont du poison. Un tokeniseur traite ’ comme plusieurs tokens de bruit, une recherche de mots-clés échoue sur aujourd’hui, et toute comparaison de chaînes en aval casse en silence. Les entités sont donc décodées à la sortie. Les espaces insécables sont le piège le plus sournois, précisément parce qu'elles sont identiques aux espaces normales à l'écran tout en faisant échouer chaque split(" ") que vous écrirez — et le français en est truffé, une devant chaque « ? » ou « : ». Ici, elles ressortent en vraies espaces.

L'encodage mérite aussi un coup d'œil. La plupart des fichiers récents déclarent <meta charset="utf-8">, mais les pages anciennes et les exports de CMS sont parfois du Latin-1 ou du Windows-1252 déguisé. Si votre sortie contient ’ là où une apostrophe devrait être, le fichier source a menti sur son encodage — réenregistrez-le en UTF-8 depuis un éditeur de texte et convertissez à nouveau.

Du texte qui n'a jamais été destiné à être lu

Une page contient plus de mots qu'elle n'en montre, et certains refont surface à l'extraction :

• Navigation et pieds de page. Libellés de menus, fils d'Ariane, « retour en haut », le plan de site à quatre-vingts liens tout en bas. Du texte légitime, sémantiquement sans valeur. Sur un article de presse enregistré, ça peut peser plus lourd que l'article lui-même.
• Bandeaux de cookies et textes de consentement. Deux cents mots de boilerplate juridique présents sur chaque page enregistrée depuis ce domaine — autrement dit, si vous constituez un corpus, vous êtes sur le point de les dupliquer mille fois.
• Textes alternatifs et libellés ARIA. Parfois précieux (l'alt d'un graphique peut être la seule description des données), parfois juste « image » répété quarante fois.
• Éléments cachés. Les spans réservés aux lecteurs d'écran, les panneaux d'accordéon repliés et les replis <noscript> contiennent tous du vrai texte dans la source, même si vous ne les avez jamais vus rendus.

La bonne pratique quand la source compte : enregistrez la page depuis le mode lecture de votre navigateur, qui jette l'essentiel du mobilier avant même que le fichier existe. Sinon, convertissez puis élaguez le début et la fin de la sortie. Le boilerplate répétitif est facile à repérer une fois qu'on sait le chercher, et le couper est la minute la plus rentable de toute votre chaîne.

Pourquoi le texte brut bat le Markdown pour le NLP

Ce n'est pas juste « du Markdown en plus simple » — pour beaucoup de chaînes de traitement, le texte brut est le bon choix et le Markdown est activement pire.

• Embeddings. Un modèle d'embedding encode tout ce qu'on lui donne, syntaxe comprise. Les barres verticales et les dièses de titres déplacent les vecteurs sans ajouter de sens, et ils grignotent la limite d'entrée du modèle. Une prose propre se vectorise plus proprement.
• Classifieurs et modèles thématiques. Les approches sac de mots et TF-IDF traitent **mot** et mot comme des tokens différents, sauf pré-nettoyage. Évitez le problème d'entrée de jeu.
• Indexation pour la recherche. La plupart des chaînes d'indexation veulent des phrases. Leur donner du Markdown, c'est écrire une passe de nettoyage dont vous n'aviez pas besoin.
• Segmentation en phrases. Les découpeurs comme spaCy ou NLTK travaillent sur de la prose. La syntaxe de tableau les embrouille et produit des fragments.
• Budget de tokens. Sur une page longue, retirer le balisage réduit sensiblement le compte de tokens — le compteur sous la sortie vous montre exactement de combien, et comparer les deux formats sur le même fichier est une expérience à un clic.

Un fichier que vous avez, une page que vous n'avez pas

Cet outil convertit un fichier HTML que vous envoyez. Il ne va pas chercher d'URL. La distinction compte plus qu'il n'y paraît, parce que les deux situations échouent différemment.

Si votre fichier vient d'un « Enregistrer sous » sur un site gavé de JavaScript, il peut ne contenir presque aucun texte — juste un div conteneur vide et un script de bundle, le contenu réel ayant été généré à l'exécution sans jamais être écrit sur le disque. Vous obtiendrez un résultat quasi vide et cela ressemblera à une panne du convertisseur. Ce n'en est pas une ; les mots ne sont pas dans le fichier. Cherchez dans la source une phrase dont vous vous souvenez pour le confirmer.

Dans ce cas, passez par Web2Txt — il prend une URL en ligne, rend la page et extrait à partir du résultat. Utilisez cette page-ci quand vous avez déjà le fichier : un export d'e-mail, un build de documentation, un dump de CMS, un rapport généré en HTML, une page archivée il y a des années.

Travaux typiques

• Constituer un corpus d'entraînement ou d'évaluation à partir d'un dossier de pages archivées, quand vous voulez de la prose brute et une mise en forme homogène sur des milliers de documents.
• Audits de lisibilité et de contenu — comptages de mots, niveau de lecture, fréquence des mots-clés. Tout cela réclame le texte sans que le balisage fausse les chiffres.
• Alimenter des scripts. Le texte brut passe dans grep, wc, un diff ou une ligne de Python sans le moindre drame d'échappement.
• Résumer une page longue quand la structure vous indiffère et que vous préférez dépenser les tokens sur le contenu.
• Extraire le texte d'un fichier HTML pour un travail de traduction ou de transcription, où le traducteur veut des phrases et rien d'autre.

Questions fréquentes

Comment convertir un fichier HTML en texte ?

Déposez le fichier .html ou .htm ci-dessus et le texte lisible revient, débarrassé de chaque balise, script et bloc de style. Gratuit, sans inscription, 50 Mo par fichier. Téléchargez-le en .txt ou copiez-le directement dans ce qui avait besoin des mots plutôt que du balisage.

Puis-je convertir une page en ligne en collant une URL ?

Pas sur cette page — celle-ci prend un fichier que vous avez déjà. Pour une URL, Web2Txt récupère la page et l'extrait directement, ce qui vous épargne l'aller-retour enregistrer-puis-envoyer. Utilisez cette page pour les pages enregistrées autrefois, les corps d'e-mails exportés, ou du HTML généré en local.

La navigation, les publicités et les bandeaux de cookies sont-ils supprimés ?

Le boilerplate est un danger connu, pas un problème résolu. Scripts, styles et balises partent toujours ; savoir si une barre latérale ou un avis de cookies compte comme du contenu est affaire de jugement, et une page enregistrée transporte tout ça dans le même DOM. Parcourez le haut et le bas de la sortie — c'est là que les débris de navigation s'accumulent.

Que deviennent les liens de la page ?

Le texte des ancres survit en tant que mots, les URL derrière, non. Une phrase disant « voir le guide d'installation » se convertit en exactement cela, sans indication de sa destination. Si les destinations comptent — cartographier des liens, vérifier des références sortantes — utilisez HTML vers Markdown, qui conserve les href en syntaxe à crochets.

Pourquoi ma sortie est-elle pleine de lignes vides et de caractères parasites ?

En général, une page enregistrée avec son DOM complet — blocs de gabarit cachés, données JSON-LD, SVG en ligne et fragments d'analytics vivent tous dans ce balisage et contiennent tous du texte, en un sens. Une regex d'une ligne nettoie le motif répétitif une fois que vous l'avez repéré, ou réenregistrez la page depuis le mode lecture du navigateur et convertissez celle-là.

Le reste de la panoplie

File2Txt gère tous les formats pris en charge depuis une seule zone d'envoi, si vous préférez ne pas choisir. Ou allez au but : PDF vers texte pour les documents, Word vers texte pour les DOCX, EPUB vers texte pour les livres numériques, et CSV vers texte pour les données délimitées.

Vous travaillez avec du code ? Le convertisseur GitHub vers texte, le convertisseur GitLab et le convertisseur de dossier local aplatissent un projet entier en un seul fichier. Et ce guide couvre la question plus large de la préparation des documents pour un LLM.

Repo2Txt est conçu et maintenu par v12hero, un développeur indépendant qui crée des applications natives et web respectueuses de la vie privée.