HTMLテキストエクストラクター

HTMLはコンテンツをタグ（<p>、<h1>、<a>、<div>など）で包み、ブラウザに表示方法を伝えるマークアップ言語です。テキストはそれらのタグの中にある、人が読める内容そのものです。HTMLから「テキストを抽出」するとは、タグ、スクリプト、スタイリングを取り除き、読者が実際に目にする言葉だけを残すことを意味します。

いいえ。エクストラクターはサーバーから返された生のHTMLに対して動作し、クライアント側のJavaScriptが実行される前の段階で処理します。React、Vue、Angularで構築されたシングルページアプリの場合、読み込み後に挿入されたコンテンツは抽出テキストには含まれません。主要コンテンツがクライアント側でしかレンダリングされないページでは、結果はほとんど空になります。

目的は似ています（ページのコンテンツを気が散らない形で表示する）が、方法が異なります。リーダーモードはDOMのヒューリスティクスを使って、ページのどの部分が本文かを推測し、残りを隠します。当ツールはスクリプトやスタイルなどの非コンテンツ要素を除去し、文書の全テキストを保持します。「本文」の判定の知性は低い代わりに、より多くのテキストを取得できます。

除去されるもの：<script>、<style>、<noscript>、<svg>、<iframe>、<object>、<embed>要素、およびすべてのタグマークアップ自体。head内のコンテンツ（metaタグ、linkタグ、title）も除外されます。

保持されるもの：段落、見出し、リスト項目、リンク、テーブルのセル、その他body内のテキストを持つ要素の可視テキスト。空白は正規化されるため、大量の空行が並ぶことはありません。

はい。UTF-8エンコーディングが保持されるため、アラビア語、中国語、日本語、韓国語、キリル文字、絵文字、その他のほとんどの文字体系も正しく処理されます。翻訳は行わず、元の言語のままテキストを取得します。

サポートしているのはHTMLページのみです。PDFやその他のバイナリフォーマットは別のツールが必要です。PDFサポートが有用だと感じた場合はTwitterでお知らせください - 需要を把握しています。

検索エンジンは主にページのテキストコンテンツをインデックスします。テキストだけを抽出することで、キーワード密度の監査、最重要コンテンツがサーバーレンダリング（初回取得でクローラーに見える）されているかの確認、単語数の測定、ナビゲーションやフッターの定型文が本文を埋もれさせていないかの確認が可能になります。

はい。抽出テキストパネルの横にあるダウンロードボタンで、.txtファイルとして保存できます。コピーボタンでクリップボードにコピーできます。

クエリを保存したり、抽出結果を個人と紐付けたりすることはありません。パフォーマンスのためにレスポンスは短期間キャッシュされます。詳細はプライバシーポリシーをご覧ください。