உரை மற்றும் தமிழ் கருவிகள்

HTML-இலிருந்து உரை மாற்றி

ஒட்டிய HTML அல்லது சாதனத்திலுள்ள UTF-8 கோப்புகளிலிருந்து வளங்களை ஏற்றாமல் படிக்கக்கூடிய உரையைப் பிரித்தெடுக்கவும். பட விளக்கங்கள் மற்றும் மறைக்கப்பட்ட உரைக்கான விதிகளைத் தேர்ந்தெடுத்து, நகலெடுக்கவும் அல்லது பதிவிறக்கவும்.

உங்கள் உள்ளீட்டைச் சாதனத்திலேயே செயலாக்க இக்கருவிக்கு JavaScript தேவை. அதனை இயக்கி இந்தப் பக்கத்தை மீண்டும் ஏற்றவும்.

HTML மூலம்

HTML-ஐ ஒட்டவும் அல்லது கோப்பை இறக்குமதி செய்யவும். அதிகபட்சம் 100,000 UTF-16 அலகுகள். ஒட்டிய HTML வலைப்பக்கமாகக் காட்டப்படாது.

உரை எப்படி அமைக்கப்பட வேண்டும்?

பகுதிகளுக்கு இடையில் எல்லைகளைச் சேர்த்து, வெளிப்படையான வரிமுறிப்புகளைத் தக்கவைக்கும். முன்வடிவமைத்த உரைக்கு வெளியே தொடரும் சாதாரண இடைவெளிகள் சுருக்கப்படும்.

பட விளக்கங்களைச் சேர் (alt உரை) hidden பண்புள்ள கூறுகளை விலக்கு

நிரல்கள், பாணிகள் மற்றும் உட்பொதிந்த பக்கங்கள் எப்போதும் விலக்கப்படும். CSS காட்சிநிலை மதிப்பிடப்படாது; CSS மூலம் மறைக்கப்பட்ட உரை இருக்கலாம்.

தட்டச்சின்போதே பிரித்தெடு

தொடங்க HTML-ஐ ஒட்டவும் அல்லது இறக்குமதி செய்யவும். உடனடி பிரித்தெடுப்பு இயக்கப்பட்டுள்ளது.

HTML அல்லது TXT கோப்பை இறக்குமதி செய்

400 KB வரை உள்ள ஒரு UTF-8 .html, .htm அல்லது .txt கோப்பைத் தேர்ந்தெடுக்கவும் அல்லது இழுத்துவிடவும். எதுவும் பதிவேற்றப்படாது அல்லது வலைப்பக்கமாகத் திறக்கப்படாது. ரத்து செய்தால் மூலமும் முடிவும் தக்கவைக்கப்படும்; பத்து விநாடிகளில் முடியாத இறக்குமதி நிறுத்தப்படும்.

HTML அல்லது TXT கோப்பு

பிரித்தெடுத்த சாதாரண உரை

பிரித்தெடுத்த உரை இங்கே தோன்றும்.

சாதாரண உரை (படிக்க மட்டும்)

பிரித்தெடுத்த பிறகு பட விளக்கங்களும் விலக்கப்பட்ட கூறுகளும் எண்ணப்படும்.

இடைவெளிக் குறிகளைக் காட்டு

· இடைவெளி; → தாவல்; ↵ வரிமுறிப்பு; [NBSP] பிரிக்காத இடைவெளி. பிற மறைந்த இடைவெளிகள் அவற்றின் குறியீட்டால் காட்டப்படும். முதல் 1,000 குறியீட்டுப் புள்ளிகள் மட்டும்; பதிவிறக்கத்தில் உண்மையான உரை இருக்கும்.

இடைவெளிகளைப் பார்க்க உரையைப் பிரித்தெடுக்கவும்.

பகுப்பான் மற்றும் நீள விவரங்கள்

சாதாரண HTML துண்டில் doctype இல்லாததும் பகுப்பான் குறிப்புகளில் சேரலாம். இவை செல்லுபடித் தன்மை அல்லது பாதுகாப்புத் தீர்ப்பு அல்ல. ஆவணத்தின் head உட்பட விலக்கப்பட்ட ஒவ்வொரு துணைமரமும் ஒருமுறை எண்ணப்படும்.

பயனுள்ள ஆவண அமைப்பைத் தக்கவைக்கவும்

எண்ணிட்ட வழிமுறைகள், அடுக்குப் பட்டியல்கள் மற்றும் அட்டவணைகளுக்கு “பட்டியல், இணைப்பு, அட்டவணை” முறையைத் தேர்ந்தெடுக்கவும். MIT உரிமம் கொண்ட html-to-text தொகுப்பு, parse5 சரிசெய்த HTML-ஐச் சாதனத்திலேயே வடிவமைக்கும்; URL-களைத் திறக்காது, நிரல்களை இயக்காது. இணைப்புகளின் முகவரிகள் உரையாக வரும்; அவற்றின் பாதுகாப்பு சரிபார்க்கப்படாது. அட்டவணை நெடுவரிசைகள் சம அகல எழுத்துருவில் சிறப்பாகச் சீரமைந்திருக்கும். இந்த முறை 128 அடுக்கு நிலைகள், ஒரு அட்டவணைக்கு 200 வரிசைகள், 1 முதல் 20 வரையிலான span மதிப்புகள் மற்றும் வரம்புள்ள அட்டவணை விரிவாக்கத்தை ஆதரிக்கும். எண்ணிட்ட பட்டியல்களில் start, reversed மற்றும் உருப்படியின் value பண்புகள் தக்கவைக்கப்படும்; எண், எழுத்து மற்றும் ரோமானிய எண் குறிகள் ஆதரிக்கப்படும். CSS counters மதிப்பிடப்படாது. குறி வகையின் ஆதரவு வரம்புக்கு வெளியே சாதாரண எண்கள் பயன்படும். பட்டியல் எண்களின் வரம்பு ±1,000,000,000. அட்டவணைக்குள் அட்டவணை அல்லது மிகப்பெரிய அட்டவணைக்கு பிழை காட்டப்படும்; உரையைப் பெற படிக்கக்கூடிய பத்திகள் முறையைத் தேர்ந்தெடுக்கவும். CSS அமைப்பும் காட்சிநிலையும் மதிப்பிடப்படாது.

HTML மூலத்திலிருந்து உரையைப் பிரித்தெடுப்பது

HTML-ஐ ஒட்டி, படிக்கக்கூடிய பத்திகள் அல்லது உரை முனைகளை இணைக்கும் முறையைத் தேர்ந்தெடுக்கவும்.
பட alt உரை மற்றும் மறைக்கப்பட்ட பகுதிகளுக்கான விதிகளைச் சரிபார்த்து, உரையைப் பிரித்தெடுக்கவும்.
உரையையும் பகுப்பான் குறிப்புகளையும் சரிபார்த்து, நகலெடுக்கவும் அல்லது பதிவிறக்கவும்.

பதிப்பு நிர்ணயிக்கப்பட்ட HTML பகுப்பான், சாதனத்திலுள்ள worker-இல் ஒரு தரவு மரத்தை உருவாக்கும். அது உலாவி DOM கூறுகளை உருவாக்காது, நிரல்களை இயக்காது, CSS-ஐப் பயன்படுத்தாது, குறிப்பிடப்பட்ட படங்கள், frames, stylesheets அல்லது URL-களைப் பெறாது. பயனர் HTML-உம் பிரித்தெடுத்த முடிவும் இடைமுகத்தில் உரையாகவே இருக்கும். Regex மூலம் குறிச்சொற்களை நீக்குவதற்குப் பதிலாக, entities, மேற்கோளுள்ள பண்புகள், தவறான அடுக்குகள் மற்றும் HTML மீட்பு விதிகளைப் பகுப்பான் கையாளும். parse5 திட்டம்.

பிரித்தெடுப்பு விதிகள்

படிக்கக்கூடிய முறை, நிர்ணயிக்கப்பட்ட block குறிச்சொற்களுக்கு இடையில் LF வரிமுறிப்பைச் சேர்க்கும்; வெளிப்படையான br முறிப்புகளைத் தக்கவைக்கும்; அட்டவணை செல்களின் உரையை இடைவெளியால் பிரிக்கும்; pre கூறுகளுக்கு வெளியே HTML ASCII இடைவெளிகளைச் சுருக்கும். முன்வடிவமைத்த உரை பகுக்கப்பட்ட இடைவெளிகளைத் தக்கவைக்கும். பிரிக்காத இடைவெளிகள் அதே குறிகளாக இருக்கும். பட்டியலின் உருப்படிகள் வரிகளாக வரும்; புதிதாக பட்டியல் குறிகளோ ஊகித்த எண்களோ சேர்க்கப்படாது. இது தீர்மானமான உரை அமைப்பு; திரைப்பிடிப்போ உலாவி கணக்கிட்ட காட்சியின் மறுவடிவமோ அல்ல.

உரை முனைகளை இணைக்கும் முறை, தகுதியான முனைகளை மர வரிசையில் இணைக்கும்; பகுதிகள், வரிகள் அல்லது செல்களுக்கு இடையில் எல்லைகளைச் சேர்க்காது; இடைவெளிகளைச் சுத்தப்படுத்தாது. படங்களின் alt மதிப்புகளைச் சேர்க்கலாம்; பிற பண்புகள், URL-கள், input மதிப்புகள் மற்றும் CSS உள்ளடக்கம் இந்த இரு முறைகளிலும் சேர்க்கப்படாது. script, style, head, template, noscript, iframe, object மற்றும் embed துணைமரங்கள், comments மற்றும் doctypes உரைக்கு பங்களிக்காது.

மறைக்கப்பட்ட கூறுகளை விலக்கும் விருப்பம், hidden பண்புள்ள எந்தத் துணைமரத்தையும் விலக்கும்; hidden="false" இருந்தாலும் விலக்கும். style="display:none", CSS selectors, aria-hidden, media விதிகள் அல்லது JavaScript காட்சிநிலையை அது மதிப்பிடாது. அத்தகைய உரை முடிவில் இருக்கலாம். SVG/MathML உரை முனைகளும் இதே விதிகளின்படி சேரலாம்; கருவி அந்த வடிவங்களை வரையாது.

இறக்குமதியும் மீட்டெடுப்பும்

சாதனத்திலுள்ள ஒரு .html, .htm அல்லது .txt கோப்பை 400 KB வரை தேர்ந்தெடுக்கவும் அல்லது இழுத்துவிடவும். கோப்பு UTF-8 ஆக இருக்க வேண்டும்; வேறொரு charset அறிவிப்பு இருந்தாலும் வாசிப்பு முறை மாறாது. தொடக்க BOM நீக்கப்படும்; CRLF/CR வரிமுடிவுகள் LF ஆகும். பைனரி அல்லது கட்டுப்பாட்டுக் குறிகளுள்ள கோப்புகள் நிராகரிக்கப்படும். தவறான கோப்புகள் உங்கள் மூலத்தையும் முடிவையும் அழிக்காது; திருத்தும்போது பழைய வாசிப்பு ரத்து செய்யப்படும்.

உடனடி பிரித்தெடுப்பு 450 மில்லிவிநாடிகள் காத்திருக்கும்; உள்ளீட்டு முறையில் எழுத்து உருவாகிக்கொண்டிருக்கும்போது தற்காலிகமாக நிற்கும். கைமுறையில் இயக்க அதை அணைக்கவும். இறக்குமதி, எடுத்துக்காட்டு, சரிபார்க்கப்பட்ட பெரிய உரை ஒட்டுதல் மற்றும் அழித்தல் ஆகியவற்றுக்கு ஒரு படி மீட்டெடுப்பு உண்டு. அது மூலம், பிரித்தெடுப்பு அமைப்புகள், இடைவெளிக் குறிகள், தயாரான முடிவு மற்றும் விரிவுப் பகுதிகளின் நிலையை மீட்டெடுக்கும். மீண்டும் அழித்தாலும் கடைசி பயனுள்ள நிலை தக்கவைக்கப்படும். தட்டச்சு அல்லது பிரித்தெடுப்பு அமைப்பு மாற்றம் அதை நீக்கும். அழிக்கும்போது அமைப்புகள் மாறாது. விருப்பமான இடைவெளிக் குறிகள் முதல் 1,000 குறியீட்டுப் புள்ளிகளை மட்டுமே காட்டும்; TXT பதிவிறக்கத்தில் சேராது. முன்னோட்ட எல்லை இணைந்த எழுத்தைப் பிரிக்கலாம்.

பகுப்பான் குறிப்புகளும் வரம்புகளும்

HTML பகுப்பு character references-ஐ ஒருமுறை மட்டும் மாற்றும்; மூல CR/CRLF-ஐ LF ஆக இயல்பாக்கும்; பகுப்பான் விதிகளின்படி தவறான null குறிகளை மாற்றலாம் அல்லது நீக்கலாம். மீட்பு முனைகளை நகர்த்தலாம், சேர்க்கலாம் அல்லது நீக்கலாம். சாதாரண HTML துண்டில் doctype இல்லாதது உள்ளிட்ட பகுப்பான் குறிப்புகளின் எண்ணிக்கை காட்டப்படும்; அது செல்லுபடித் தன்மை அல்லது பாதுகாப்புத் தீர்ப்பு அல்ல. இது அசல் மூலத்தை அப்படியே மீட்டுருவாக்கும் மாற்றமோ, அணுகல்தன்மை ஆய்வோ, sanitizer-ஓ, நகலெடுப்பு ஆய்வோ அல்ல. அசல் மூலம் தனியாகக் கிடைக்கும். pre அல்லது உரை முனைகளில் character reference மூலம் உருவான carriage return, நகலெடுப்பிலும் பதிவிறக்கத்திலும் துல்லியமாகத் தக்கவைக்கப்படும்; படிக்க மட்டுமான உரைப்பெட்டி இயல்பாக்கிய வரிமுறிப்பைக் காட்டும். இந்நிலையில் முடிவில் அறிவிப்பு வரும்.

உள்ளீடு அதிகபட்சம் 100,000 செல்லுபடியான Unicode UTF-16 அலகுகள்; மரத்தில் அதிகபட்சம் 20,000 முனைகள் மற்றும் 512 நிலைகள்; முடிவு அதிகபட்சம் 300,000 அலகுகள். Worker பத்து விநாடிகளில் முடியாவிட்டால் நிறுத்தப்படும்; ரத்து செய்வதும் பணியை நிறுத்தும். திருத்தங்கள் பழைய முடிவை நீக்கும். அசல் மூலம் TXT பதிவிறக்கம் தற்போதைய உரைப்பெட்டி மதிப்பைத் தரும்; உலாவி CR/CRLF-ஐ இயல்பாக்கியிருக்கலாம். செல்லுபடியான UTF-8 பதிவிறக்கத்திற்காக ஜோடியில்லாத surrogate அலகுகள் நிராகரிக்கப்படும். பதிவேற்றம், சேமிப்பு அல்லது வெளிப்புற API இல்லை. கிளிப்போர்டு நகலெடுப்பு விருப்பமானது; அது தடுக்கப்பட்டால் உரையைப் பதிவிறக்கவும் அல்லது தேர்ந்தெடுக்கவும்.

பகுப்பான்களின் உரிம அறிவிப்புகள்: parse5 உரிமம் மற்றும் entity decoder உரிமம்.