Konwersja HTM do tekstu Unicode z wiersza poleceń — wsadowy konwerter serwerowy

Masz foldery z plikami HTM lub HTML — zeskrobane strony, zarchiwizowane biuletyny, eksportowane pliki pomocy, migawki intranetu — oraz potok następujący po nim, który potrzebuje czytelnego tekstu bez znaczników. Indeksery wyszukiwania nie chcą szumu <div>. Tokenizatory NLP dławią się skryptami inline. Recenzja prawna chce prozy, a nie CSS. Total HTML Converter X usuwa znaczniki HTM i zapisuje czysty tekst Unicode z wiersza poleceń, wsadowo, bez GUI i bez silnika przeglądarki. Zainstaluj go na serwerze Windows, wywołaj ze skryptu lub przez ActiveX i pozwól mu zasilać Twój indekser, model lub archiwum.

Co potrafi Total HTML Converter X

• Wyodrębnianie wsadowe — podaj maskę (*.htm), a konwerter przejdzie każdy pasujący plik w jednym przebiegu
• Czyste wyjście Unicode — tworzy tekst UTF-8 lub UTF-16 z usuniętymi znacznikami, skryptami, stylami i komentarzami
• Kontrola kodowania — wybierz UTF-8, UTF-16 LE/BE, z BOM lub bez, aby dopasować do konsumenta tekstu
• Pełne pokrycie znaków — zachowuje cyrylicę, CJK, arabski, hebrajski, dewanagari, akcentowaną łacinę i emoji ze źródłowego HTM
• Tekst dwukierunkowy — zachowuje arabskie i hebrajskie ciągi w porządku logicznym, dzięki czemu narzędzia wyszukiwania i NLP widzą prawidłowe granice słów
• Bez silnika przeglądarki — konwerter parsuje HTM bezpośrednio bez Chromium ani Edge zainstalowanego na serwerze
• ActiveX / COM — wywołuj konwerter z .NET, VBScript, PHP, Python lub dowolnego środowiska zgodnego z COM, aby osadzić ekstrakcję tekstu we własnej aplikacji
• Skrypty .bat — zapisz polecenia w plikach wsadowych i zaplanuj je za pomocą Harmonogramu zadań systemu Windows do pełnej automatyzacji ekstrakcji

Windows 7/8/10/11 • Server 2008/2012/2016/2019/2022

HTM a TXT Unicode: dlaczego warto konwertować?

HTM (i HTML) to język znaczników przeznaczony dla przeglądarek. Plik miesza prozę ze znacznikami, atrybutami, stylami inline, JavaScript i odwołaniami do zewnętrznych zasobów. Indekser wyszukiwania, który połyka surowe HTM, kończy ocenianiem bloków <script> i nazw klas CSS razem z rzeczywistą treścią. Tokenizator LLM marnuje kontekst na szum. Grep po archiwum HTM zwraca dopasowania wewnątrz atrybutów, a nie w tekście.

TXT Unicode to zwykły tekst w UTF-8 lub UTF-16. Brak znaczników, brak markupu, brak formatowania — tylko czytelne znaki dokumentu. Każda wyszukiwarka, zestaw narzędzi NLP, analizator logów i narzędzie archiwizujące konsumuje go bez wstępnego przetwarzania. Konwersja jest stratna z założenia: obrazy, układ i style znikają. Pozostaje zawartość tekstowa, w prawidłowym porządku logicznym, z nienaruszonym oryginalnym zestawem znaków.

Jak konwertować HTM do tekstu Unicode z wiersza poleceń

Krok 1. Zainstaluj Total HTML Converter X

Pobierz instalator z linku powyżej i uruchom go na serwerze lub stacji roboczej Windows. Instalacja trwa mniej niż minutę. Nie wymaga przeglądarki, Microsoft Office ani środowiska Java — konwerter parsuje HTM własnym silnikiem i zapisuje tekst Unicode bezpośrednio.

Krok 2. Otwórz wiersz poleceń

Otwórz cmd.exe lub PowerShell. Plik wykonywalny konwertera to HTMLConverter.exe, znajdujący się w folderze instalacyjnym (zwykle C:\Program Files\CoolUtils\TotalHTMLConverterX\). Dodaj go do systemowej zmiennej PATH lub używaj pełnej ścieżki w poleceniach.

Krok 3. Uruchom podstawową ekstrakcję

Najprostsze polecenie usuwa znaczniki z każdego pliku HTM w folderze i zapisuje tekst UTF-8:

HTMLConverter.exe C:\Pages\*.htm C:\Output\ -c TXT -Encoding UTF-8

Przetwarza każdy plik .htm w folderze C:\Pages\ i zapisuje wynikowe pliki .txt w C:\Output\. Każdy HTM tworzy jeden TXT o tej samej nazwie bazowej z tekstem w UTF-8.

Krok 4. Kontroluj kodowanie i logowanie

Dostosuj wyjście do konsumenta tekstu:

HTMLConverter.exe C:\Pages\*.htm C:\Output\ -c TXT -Encoding UTF-16 -BOM 1 -log C:\Logs\htm2txt.log

• -Encoding UTF-8 — domyślne; działa dla większości potoków wyszukiwania i NLP
• -Encoding UTF-16 — przydatne dla starszych narzędzi Windows oczekujących szerokich znaków
• -BOM 1 lub -BOM 0 — zapisz lub pomiń znacznik kolejności bajtów; wiele indekserów preferuje brak BOM
• -log C:\Logs\htm2txt.log — rejestruj każdy przetworzony plik i ostrzeżenia o parsowaniu

Krok 5. Zautomatyzuj za pomocą pliku .bat

Zapisz polecenie w pliku .bat i zaplanuj je za pomocą Harmonogramu zadań systemu Windows:

@echo off
"C:\Program Files\CoolUtils\TotalHTMLConverterX\HTMLConverter.exe" C:\Incoming\*.htm C:\Archive\TXT\ -c TXT -Encoding UTF-8 -BOM 0 -log C:\Logs\htm2txt.log

Uruchamia się co noc (lub z dowolną częstotliwością) i zrzuca tekst UTF-8 do folderu archiwum gotowy do podjęcia przez indekser wyszukiwania, zadanie NLP lub audyt oparty na grep.

Integracja ActiveX / COM

Total HTML Converter X rejestruje się jako pełny obiekt ActiveX. Możesz go wywoływać z dowolnego środowiska zgodnego z COM — .NET, VBScript, PHP, Python, Ruby lub ASP. Pozwala to osadzić ekstrakcję HTM do tekstu Unicode we własnej usłudze pobierania, portalu intranetowym lub potoku NLP bez uruchamiania osobnego procesu z wiersza poleceń.

Przykład (C#/.NET):

HTMLConverterX Cnv = new HTMLConverterX();
Cnv.Convert("C:\\Pages\\report.htm", "C:\\Output\\report.txt", "-c TXT -Encoding UTF-8 -BOM 0 -log c:\\Logs\\htm.log");

Przykład (PHP):

$c = new COM("HTMLConverter.HTMLConverterX");
$c->convert("C:\\Pages\\report.htm", "C:\\Output\\report.txt", "-c TXT -Encoding UTF-8 -BOM 0 -log c:\\Logs\\htm.log");

To samo wywołanie działa z ASP.NET, VBScript, Python, Ruby, Perl i JavaScript (Windows Script Host). Twoja usługa może przyjmować przesyłane HTM i zwracać czysty tekst Unicode wywołującemu w tym samym żądaniu.

Konwertery online a Total HTML Converter X

Kiedy potrzebna jest konwersja HTM do tekstu Unicode z wiersza poleceń

• Zasilanie indeksu wyszukiwania. Elasticsearch, Solr, OpenSearch i Meilisearch wszystkie indeksują zwykły tekst szybciej i dokładniej niż surowy HTM. Nocna partia usuwa znaczniki z przychodzących stron i zrzuca UTF-8 do folderu obserwowanego przez indekser.
• Potoki NLP i LLM. Tokenizatory, segmentatory zdań i modele osadzeń konsumują zwykły tekst. Wysyłanie surowego HTM marnuje kontekst na znaczniki i psuje statystyki. Wstępne wyodrębnienie czystego tekstu Unicode rozwiązuje oba problemy, zanim model w ogóle zobaczy wejście.
• Postprocesing po web-scrape. Crawlery zapisują strony jako HTM. Etap eksploracji tekstu potrzebuje prozy bez menu nawigacyjnych, skryptów czy szablonów stopki, pozbawionych znaczników. Konwerter zajmuje się przebiegiem znaczników; Twoje skrypty zajmują się filtrowaniem treści.
• Wstrzymanie prawne i e-discovery. Zespoły compliance zachowują komunikację HTM i potrzebują kopii tekstowych przeszukiwalnych po słowach kluczowych do recenzji. Zwykły UTF-8 to format, który każda platforma e-discovery wchłania bez tłumaczenia.
• Grep i audyt archiwum. Grep po folderze plików HTM zwraca dopasowania wewnątrz atrybutów class i łańcuchów JavaScript. Grep po wyodrębnionych TXT zwraca tylko dopasowania w rzeczywistej prozie — odpowiedź, której chce audytor.

Dlaczego Total HTML Converter X

Prawdziwe Unicode, a nie aproksymacja ASCII

Wyjście to uczciwe UTF-8 lub UTF-16. Cyrylica pozostaje cyrylicą, CJK pozostaje CJK, arabski i hebrajski zachowują swoje znaki w porządku logicznym. Brak transliteracji, brak gubienia znaków, brak zastępowania znakami zapytania — co było czytelne w HTM, pozostaje czytelne w TXT.

Prawdziwa aplikacja serwerowa

Total HTML Converter X jest zbudowany do pracy bez nadzoru. Żadnych okien GUI, okien dialogowych ani monitów potwierdzenia. Działa cicho z wiersza poleceń lub jako część usługi — dokładnie tego, czego potrzebuje zadanie indeksujące, potok NLP lub pracownik archiwum.

Kodowanie pod Twoją kontrolą

Wyszukiwarki, zestawy narzędzi NLP i starsze systemy oczekują różnych sekwencji bajtów. Konwerter wystawia kodowanie i BOM jako flagi wiersza poleceń, dzięki czemu zapisujesz UTF-8 bez BOM dla Elasticsearch, UTF-16 LE z BOM dla narzędzia tylko dla Windows i UTF-8 z BOM dla recenzenta korzystającego z Notatnika — z tej samej instalacji.

Nie tylko TXT

To samo narzędzie wiersza poleceń konwertuje HTM do PDF, DOC, XLS, TIFF, JPEG, RTF i wielu innych formatów. Jedna instalacja pokrywa każdą potrzebę ekstrakcji HTM na serwerze. Zmień -c TXT na -c PDF, a otrzymasz archiwalne wyjście PDF z tymi samymi funkcjami wsadowymi i automatyzacji.

Windows 7/8/10/11 • Server 2008/2012/2016/2019/2022

string src  = @"C:\test\Source.html";
string dest = @"C:\test\Dest.pdf";

var cnv = new HTMLConverterX();
cnv.Convert(src, dest, "-cPDF -log c:\\test\\HTML.log");

if (!string.IsNullOrEmpty(cnv.ErrorMessage))
    throw new Exception(cnv.ErrorMessage);

public static class Function1
    {
        [FunctionName("Function1")]
        public static async Task Run(
            [HttpTrigger(AuthorizationLevel.Anonymous, "get", "post", Route = null)] HttpRequest req,
            ILogger log)
        {
            StringBuilder sbLogs = new StringBuilder();
            sbLogs.AppendLine("started...");
            try
            {
                ProcessStartInfo startInfo = new ProcessStartInfo();
                startInfo.CreateNoWindow = true;
                startInfo.UseShellExecute = false;
                var assemblyDirectoryPath = Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location);
                assemblyDirectoryPath = assemblyDirectoryPath.Substring(0, assemblyDirectoryPath.Length - 4);

                var executablePath = $@"{assemblyDirectoryPath}\Converter\HTMLConverterX.exe";
                sbLogs.AppendLine(executablePath + "...");
                var srcPath = $@"{assemblyDirectoryPath}\src\sample.html";
                var outPath = Path.GetTempFileName() + ".pdf";
                startInfo.FileName = executablePath;

                if (File.Exists(outPath))
                {
                    File.Delete(outPath);
                }

                if (File.Exists(executablePath) && File.Exists(srcPath))
                {
                    sbLogs.AppendLine("files exists...");
                }
                else
                    sbLogs.AppendLine("EXE & source files NOT exists...");
                startInfo.WindowStyle = ProcessWindowStyle.Hidden;
                startInfo.Arguments = $"\"{srcPath}\" \"{outPath}\" -cPDF";
                using (Process exeProcess = Process.Start(startInfo))
                {
                    sbLogs.AppendLine($"wait...{DateTime.Now.ToString()}");
                    exeProcess.WaitForExit();
                    sbLogs.AppendLine($"complete...{DateTime.Now.ToString()}");
                }
                sbLogs.AppendLine("Conversion complete.");
            }
            catch (Exception ex)
            {
                sbLogs.AppendLine(ex.ToString());
            }

            return new OkObjectResult(sbLogs);
        }
    }

dim C
Set C=CreateObject("HTMLConverter.HTMLConverterX")
C.Convert "c:\source.html", "c:\dest.jpg", "-cJPG -log c:\html.log"
C.Convert "https://www.coolutils.com/", "c:\URL Page.pdf", "-cPDF -log c:\html.log"
Response.Write C.ErrorMessage
set C = nothing

dim C
Set C=CreateObject("HTMLConverter.HTMLConverterX")
Response.Clear
Response.AddHeader "Content-Type", "binary/octet-stream"
Response.AddHeader "Content-Disposition", "attachment; filename=test.pdf"
Response.BinaryWrite C.ConvertToStream("C:\www\ASP\Source.html", "C:\www\ASP", "-cpdf -log c:\html.log")
set C = nothing

$src="C:\\test\\test.html";
$dest="C:\\test\\test.pdf";
if (file_exists($dest)) unlink($dest);
$c= new COM("HTMLConverter.HTMLConverterX");
$c->convert($src,$dest, "-cPDF -log c:\\HTML.log");
if (file_exists($dest)) echo "OK"; else echo "fail:".$c->ErrorMessage;

require 'win32ole'
c = WIN32OLE.new('HTMLConverter.HTMLConverterX')

src = "C:\\test\\test.html"
dest = "C:\\test\\test.pdf"

c.convert(src, dest, "-cPDF -log c:\\test\\HTML.log")

if not File.exist?(dest)
  puts c.ErrorMessage
end

import win32com.client
import os.path

c = win32com.client.Dispatch("HTMLConverter.HTMLConverterX")

src  = "C:\\test\\test.html"
dest = "C:\\test\\test.pdf"

c.convert(src, dest, "-cPDF -log c:\\test\\HTML.log")

if not os.path.exists(dest):
    print(c.ErrorMessage)

uses Dialogs, Vcl.OleAuto;

var
  c: OleVariant;
begin
  c := CreateOleObject('HTMLConverter.HTMLConverterX');
  c.Convert('c:\test\source.html', 'c:\test\dest.pdf', '-cPDF -log c:\test\HTML.log');
  if c.ErrorMessage <> '' then
    ShowMessage(c.ErrorMessage);
end;

var c = new ActiveXObject("HTMLConverter.HTMLConverterX");
c.Convert("C:\\test\\source.html", "C:\\test\\dest.pdf", "-cPDF");
if (c.ErrorMessage != "")
  alert(c.ErrorMessage)

use Win32::OLE;

my $src  = "C:\\test\\test.html";
my $dest = "C:\\test\\test.pdf";

my $c = CreateObject Win32::OLE 'HTMLConverter.HTMLConverterX';
$c->convert($src, $dest, "-cPDF -log c:\\test\\HTML.log");
print $c->ErrorMessage if -e $dest;