Tukar HTML kepada Markdown Percuma Dalam Talian

Tukar fail HTML kepada Markdown dalam talian secara percuma. Muat naik fail anda dan bersihkan, keluaran sedia LLM serta-merta. Tiada pendaftaran, 50 MB setiap fail, tiada apa yang disimpan.

HTML kepada Markdown: Mengubah Halaman Yang Disimpan Menjadi Sesuatu yang Berbaloi untuk Dibaca

Buka mana-mana .html fail yang telah anda simpan dari web dalam penyunting teks dan perkara pertama yang anda akan lakukan perhatikan betapa sedikitnya artikel itu. Lima belas ratus baris menu navigasi, sepanduk kuki, penjejakan piksel, sebaris <style> blok, dan <div class="wrapper-outer-container"> bersarang enam peringkat dalam - dililitkan di sekeliling mungkin empat puluh perenggan penulisan sebenar. Tampalkan itu ke dalam sembang assistant dan anda akan membakar kebanyakan tetingkap konteks anda pada markup yang tidak bermakna apa-apa kepada model.

Menukar HTML kepada Markdown membalikkan nisbah itu. Tag yang membawa makna diterjemahkan; tag yang hanya membawa reka letak akan digugurkan. Apa yang keluar adalah dokumen dengan bentuk yang sama dengan halaman asal — tajuk, senarai, jadual, pautan, blok kod — dalam kira-kira sepersepuluh daripada aksara. Muat naik fail di atas dan anda akan memilikinya dalam beberapa saat. Percuma, tiada pendaftaran, tiada apa yang disimpan.

Bagaimana Tag HTML Memetakan ke Markdown

Markdown telah direka bentuk sebagai singkatan untuk subset HTML, jadi kebanyakan terjemahan hampir dengan satu-satu. Mengetahui pemetaan memberitahu anda dengan tepat apa yang diharapkan dalam output:

  • <h1> melalui <h6> menjadi # melalui ######. Kedalaman tajuk dipelihara secara literal, yang lebih penting daripada yang didengari — model yang diminta untuk meringkaskan bahagian demi bahagian perlu mengetahui tajuk yang mana adalah adik-beradik.
  • <ul>, <ol> dan bersarang <li> menjadi sengkang dan senarai nombor dengan lekukan yang membawa sarang.
  • <table> menjadi jadual paip, dengan syarat jadual itu adalah jadual data sebenar. Meja yang digunakan semata-mata untuk reka letak — masih biasa dalam HTML e-mel dan tapak lama — bertukar menjadi sesuatu secara berstruktur sah tetapi secara semantik tidak berguna.
  • <a href> menjadi [text](url), jadi destinasi bertahan daripada meninggalkan anda dengan teks sauh yatim piatu.
  • <code> dan <pre> menjadi kutu belakang dan blok berpagar. Ini adalah satu-satunya sebab terbesar pembangun menukar halaman dokumen dengan cara ini — coretan kekal coretan.
  • <strong>, <em>, <blockquote> peta kepada mereka persamaan yang jelas.
  • <script>, <style>, <meta>, sebaris style= atribut, nama kelas, atribut data — semuanya dibuang. Tiada satu pun yang bertahan, dan tidak sepatutnya.

Halaman Yang Disimpan Tidak Sama dengan HTML Bersih

Terdapat perbezaan nyata antara fail HTML yang ditulis oleh seseorang dan fail HTML yang dibuang oleh penyemak imbas, dan ia muncul serta-merta dalam output.

HTML buatan tangan — eksport tapak statik, binaan dokumentasi, templat e-mel, laporan yang dihasilkan oleh alat pelaporan — cenderung kemas dan semantik. Tajuk adalah tajuk. Perenggan ialah perenggan. Ini menukar hampir sempurna.

Halaman yang disimpan dengan Ctrl+S dari tapak moden ialah haiwan yang berbeza. Anda mendapat DOM pasca JavaScript, lengkap dengan pengepala melekit, rel artikel berkaitan, tiga gesaan surat berita dan peta tapak pengaki dengan lapan puluh pautan. Semua itu adalah HTML yang sah, jadi semuanya bertukar. Outputnya betul — ia baru sahaja diterima perabot halaman di dalamnya. Dua tabiat membantu: gunakan mod pembaca penyemak imbas anda dan simpan daripada itu, atau tukar dahulu dan padamkan bahagian atas dan bawah Markdown sebelum anda menggunakannya. Skimming dan pemangkasan mengambil masa di bawah a minit dan nyata menambah baik apa sahaja yang anda lakukan seterusnya.

Apabila Fail Bertukar kepada Hampir Tiada

Kadangkala anda akan menukar halaman yang disimpan dan mendapatkan kembali tajuk dan dua baris. Itu bukan kegagalan penukar — ia adalah aplikasi satu halaman.

Tapak yang dibina dengan React, Vue, Angular dan rakan sering menghantar shell HTML yang benar-benar kosong: a <div id="root"></div> dan tag skrip. Kandungan yang anda lihat dalam penyemak imbas ialah dipasang oleh JavaScript semasa runtime dan tidak pernah wujud dalam fail. Bergantung pada cara anda menyimpannya, anda boleh telah menangkap cangkerang dan bukannya hasil yang diberikan. Buka fail dalam editor teks dan cari a ayat yang anda ingat baca — jika ia tidak ada, penukar tidak boleh menciptanya.

Penyelesaiannya adalah untuk menyimpan DOM yang diberikan (dalam Chrome DevTools, klik kanan pada <html> nod dan salin HTML luar ke dalam fail baharu), atau untuk melangkau fail sepenuhnya dan gunakan Web2Txt, yang mengambil URL langsung, dimuatkan halaman dengan betul dan mengembalikan Markdown. Perbezaan itu patut dipegang: halaman ini menukarkan Fail HTML yang telah anda miliki, manakala Web2Txt mengambil halaman yang anda tidak lakukan.

Masalah Pautan Relatif

Yang ini menangkap orang keluar. Halaman yang memaut ke /docs/getting-started atau ../api/reference.html bergantung pada penyemak imbas mengetahui domain dan direktori yang ia datang daripada. Sebaik sahaja fail itu berada di luar pelayannya, konteks itu hilang. Markdown yang bertaubat akan dengan setia mengandungi [Getting Started](/docs/getting-started) — pautan yang kini tidak menunjuk ke mana-mana khususnya.

Untuk kerja LLM ini biasanya tidak penting, kerana anda mengambil berat tentang prosa dan teks pautan, bukan sama ada URL diselesaikan. Tetapi jika anda sedang membina dokumentasi yang anda ingin terbitkan, atau pangkalan pengetahuan di mana rujukan silang perlu berfungsi, semak output dan sama ada menulis semula laluan atau menanggalkan pautan. Imej src atribut mempunyai isu yang sama, itulah sebabnya imej halaman luar talian cenderung muncul sebagai rujukan yang rosak.

Markdown atau Teks Biasa untuk Fail HTML?

Pilih Markdown apabila struktur halaman adalah sebahagian daripada perkara yang anda mahukan. Dokumentasi dengan sampel kod dan a hierarki tajuk. Tutorial dengan langkah bernombor. Artikel perbandingan yang dibina di sekeliling meja. Sebuah e-mel surat berita dengan bahagian. Dalam semua itu, yang # dan paip dan blok berpagar adalah membawa maklumat sebenar, dan HTML kepada penukar Markdown untuk LLM aliran kerja sedang dilakukan betul-betul apa yang anda mahukan.

pilih HTML kepada teks biasa apabila anda hanya mahu perkataan — membina korpus, memberi pengelas, mengindeks untuk carian atau menjalankan sebarang saluran paip di mana aksara sintaks ialah bunyi. Terdapat togol format di bahagian atas halaman ini yang bertukar antara kedua-dua dan membawa fail pilihan anda merentasi, jadi menukar halaman yang sama kedua-dua cara dan membandingkan kos anda satu muat naik.

Apa Orang Sebenarnya Lakukan Dengan Ini

  • Memberi suapan dokumen kepada pembantu pengekodan. Simpan halaman dokumentasi perpustakaan, tukarkannya kepada Markdown, dan tampalkannya di sebelah anda GitHub repositori sebagai teks. Model itu melihat kedua-dua permukaan API dan penggunaannya, dan blok kod kekal utuh di kedua-dua belah pihak.
  • Memindahkan tapak. Penjana tapak statik memakan Markdown. Menukar halaman HTML lama selalunya merupakan laluan pertama terpantas bagi penghijrahan CMS, walaupun anda mengemaskannya selepas itu.
  • Mengarkibkan artikel untuk analisis kemudian. Fail Markdown adalah kecil, boleh dibezakan dan boleh greppable dengan cara folder HTML yang disimpan tidak pernah wujud.
  • Mengubah templat e-mel kepada kandungan yang boleh dibaca. HTML pemasaran ialah sup meja; yang Versi Markdown ialah mesej sebenar.
  • Membina perpustakaan segera. Bahan rujukan dalam Markdown jatuh terus ke dalam sistem segera atau indeks RAG tanpa pemprosesan selanjutnya.

Kaunter token di bawah output adalah bit praktikal di sini. Halaman dokumentasi yang kelihatan pendek penyemak imbas boleh menjadi sangat berat apabila jadual dan blok kod disertakan, dan mengetahui nombornya sebelum anda menampal rentak mengetahui daripada ralat pemangkasan.

Soalan Lazim

Bagaimanakah cara saya menukar fail HTML kepada Markdown?

Muat naik .html atau .htm fail di atas dan ia kembali sebagai Markdown, boleh dimuat turun sebagai .md. Percuma, 50 MB setiap fail, tiada akaun. Tajuk peta ke # peringkat, senarai kekal bersarang, pautan menyimpan URL mereka [text](url) borang, dan blok kod kekal berpagar.

Adakah ia menyimpan pautan dan URLnya?

Ya — itulah sebab utama untuk memilih Markdown teks biasa di sini. Setiap sauh menukar kepada [label](href), jadi destinasi bertahan. Jika anda mengarkibkan dokumentasi atau mengaudit tempat halaman menunjuk, itu adalah perbezaan antara rekod berguna dan parafrasa.

Bolehkah saya menukar URL langsung dan bukannya fail yang disimpan?

Bukan dari halaman ini. Web2Txt mengambil URL, mengambil halaman dan mengembalikan Markdown dalam satu langkah. Halaman ini adalah untuk HTML yang anda sudah ada pada cakera — artikel yang disimpan, surat berita yang dieksport, laporan yang dijana atau output daripada binaan tempatan.

Adakah ini cara yang munasabah untuk memindahkan tapak kepada penjana statik?

Untuk kandungan, ya. Prosa, tajuk, senarai, jadual dan blok kod ditukar dengan cukup bersih untuk melakukan dan mengedit. Perkara yang tidak akan dilakukan ialah membina semula seni bina maklumat anda, menulis semula pautan dalaman ke laluan baharu atau mengekstrak perkara hadapan — bahagian tersebut adalah bahagian penghijrahan yang kekal manual tanpa mengira penukar yang anda gunakan.

Apakah yang berlaku kepada jadual dan blok kod?

Jadual menjadi jadual paip dan blok kod berpagar kekal berpagar, kedua-duanya biasanya bertahan dengan baik kerana HTML sumber menandainya secara eksplisit. Mangsa biasa ialah penonjolan sintaks yang dinyatakan melalui per-token <span> kelas — kod itu betul, tetapi pembayang bahasa yang mendorong pewarnaan selalunya tidak boleh dipulihkan, jadi tambahkannya semula secara manual jika ia penting.

Format dan Alat Lain

HTML adalah salah satu format File2Txt handles — muat naik apa-apa sahaja dan selesai apa yang perlu dilakukan. Jika anda tahu apa yang anda ada, pergi terus ke PDF kepada Markdown, Perkataan kepada Markdown, JSON kepada Markdown, atau XML kepada Markdown. Untuk jadual eksport, CSV kepada Markdown membina jadual paip daripada data terhad.

Untuk kod, ada GitHub kepada penukar teks, a GitLab versi, dan a penukar folder tempatan yang tidak pernah memuat naik apa sahaja. Terdapat juga bahagian yang lebih panjang menyediakan dokumen untuk LLM jika anda mahukan hujah umum dan bukannya yang khusus HTML.

Repo2Txt dibina dan diselenggara oleh v12hero, pembangun bebas membina apl asli dan web yang mengutamakan privasi.