Конвертация HTM в Unicode-текст через командную строку — серверный пакетный конвертер

У вас есть папки с HTM- или HTML-файлами — собранные страницы, архивные бюллетени, выгруженные файлы справки, снимки интранета — и дальнейший пайплайн, которому нужен читаемый текст без какой-либо разметки. Поисковым индексаторам не нужен шум <div>. Токенизаторы NLP давятся встроенными скриптами. Юристам при проверке нужна проза, а не CSS. Total HTML Converter X удаляет HTM-разметку и пишет чистый Unicode-текст из командной строки, пакетно, без графического интерфейса и без браузерного движка. Установите его на сервер Windows, вызывайте из скрипта или через ActiveX, и пусть он питает ваш индексатор, вашу модель или ваш архив.

Что делает Total HTML Converter X

• Пакетное извлечение — укажите маску (*.htm), и конвертер пройдёт по всем подходящим файлам за один запуск
• Чистый Unicode на выходе — создаёт UTF-8 или UTF-16 текст с удалёнными разметкой, скриптами, стилями и комментариями
• Управление кодировкой — выберите UTF-8, UTF-16 LE/BE, с BOM или без, чтобы соответствовать потребителю текста
• Полное покрытие символов — сохраняет кириллицу, CJK, арабский, иврит, деванагари, латиницу с диакритикой и эмодзи из исходного HTM
• Двунаправленный текст — сохраняет арабские и ивритские блоки в логическом порядке, чтобы инструменты поиска и NLP видели правильные границы слов
• Без браузерного движка — конвертер разбирает HTM напрямую без Chromium или Edge, установленных на сервере
• ActiveX / COM — вызывайте конвертер из .NET, VBScript, PHP, Python или любой COM-совместимой среды для встраивания извлечения текста в ваше приложение
• Скрипты .bat — сохраняйте команды в пакетных файлах и планируйте их через Планировщик задач Windows для полностью автоматического извлечения

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

HTM и Unicode TXT: зачем конвертировать?

HTM (и HTML) — это язык разметки, предназначенный для браузеров. Файл смешивает прозу с тегами, атрибутами, инлайновыми стилями, JavaScript и ссылками на внешние ресурсы. Поисковый индексатор, проглатывающий сырой HTM, в итоге оценивает блоки <script> и имена CSS-классов наравне с реальным контентом. Токенизатор LLM расходует контекст на шум. Grep по HTM-архиву возвращает совпадения внутри атрибутов, а не в тексте тела.

Unicode TXT — это чистый текст в UTF-8 или UTF-16. Никаких тегов, никакой разметки, никакого форматирования — только читаемые символы документа. Любой поисковый движок, NLP-инструментарий, анализатор логов и архивная утилита потребляет его без предобработки. Конвертация задумана как lossy: изображения, макет и стили исчезают. Остаётся текстовое содержимое в правильном логическом порядке, с сохранённой исходной кодировкой.

Как конвертировать HTM в Unicode-текст из командной строки

Шаг 1. Установите Total HTML Converter X

Скачайте установщик по ссылке выше и запустите его на вашем сервере или рабочей станции Windows. Установка занимает меньше минуты. Браузер, Microsoft Office или среда выполнения Java не требуются — конвертер разбирает HTM собственным движком и пишет Unicode-текст напрямую.

Шаг 2. Откройте командную строку

Откройте cmd.exe или PowerShell. Исполняемый файл конвертера — HTMLConverter.exe, расположенный в папке установки (обычно C:\Program Files\CoolUtils\TotalHTMLConverterX\). Добавьте его в системную переменную PATH или используйте полный путь в командах.

Шаг 3. Запустите базовое извлечение

Простейшая команда удаляет разметку из каждого HTM-файла в папке и пишет UTF-8 текст:

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

Эта команда обрабатывает каждый файл .htm в папке C:\Pages\ и сохраняет полученные файлы .txt в C:\Output\. Каждый HTM создаёт один TXT с тем же базовым именем и текстом тела в UTF-8.

Шаг 4. Управление кодировкой и логированием

Настройте вывод под потребителя текста:

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

• -Encoding UTF-8 — по умолчанию; работает для большинства поисковых и NLP-пайплайнов
• -Encoding UTF-16 — полезно для устаревшего инструментария Windows, ожидающего широкие символы
• -BOM 1 или -BOM 0 — записать или пропустить метку порядка байтов; многие индексаторы предпочитают без BOM
• -log C:\Logs\htm2txt.log — записывать каждый обработанный файл и любые предупреждения парсера

Шаг 5. Автоматизируйте с помощью .bat-файла

Сохраните команду в файле .bat и запланируйте его через Планировщик задач 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

Эта команда запускается каждую ночь (или с любым заданным интервалом) и кладёт UTF-8 текст в архивную папку, готовую к подхвату поисковым индексатором, NLP-задачей или grep-проверкой.

Интеграция через ActiveX / COM

Total HTML Converter X регистрируется как полноценный объект ActiveX. Вы можете вызывать его из любой COM-совместимой среды — .NET, VBScript, PHP, Python, Ruby или ASP. Это позволяет встроить извлечение Unicode-текста из HTM в ваш сервис загрузки данных, интранет-портал или NLP-пайплайн без запуска командной строки.

Пример (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");

Пример (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");

Тот же вызов работает из ASP.NET, VBScript, Python, Ruby, Perl и JavaScript (Windows Script Host). Ваш сервис может принимать загруженный HTM и возвращать чистый Unicode-текст вызывающей стороне в том же запросе.

Онлайн-конвертеры и Total HTML Converter X

Когда нужна конвертация HTM в Unicode-текст через командную строку

• Питание поискового индекса. Elasticsearch, Solr, OpenSearch и Meilisearch — все они индексируют чистый текст быстрее и точнее, чем сырой HTM. Ночной пакет удаляет разметку из поступающих страниц и кладёт UTF-8 в наблюдаемую папку индексатора.
• Пайплайны NLP и LLM. Токенизаторы, сплиттеры предложений и модели эмбеддингов потребляют чистый текст. Подача сырого HTM расходует контекст на теги и портит статистику. Предварительное извлечение чистого Unicode-текста решает обе проблемы до того, как модель увидит ввод.
• Постобработка веб-скрапинга. Краулеры сохраняют страницы как HTM. На этапе текстового анализа нужна проза без меню навигации, скриптов и нижних колонтитулов, очищенная от тегов. Конвертер выполняет проход по разметке; ваши скрипты выполняют фильтрацию контента.
• Юридическое хранение и e-discovery. Команды комплаенса сохраняют HTM-коммуникации, и им нужны текстовые копии с возможностью поиска по ключевым словам для проверки. Чистый UTF-8 — формат, который любая платформа e-discovery поглощает без преобразования.
• Grep и аудит архивов. Grep по папке HTM-файлов возвращает совпадения внутри атрибутов class и JavaScript-строк. Grep по извлечённым TXT возвращает только совпадения в реальном тексте — именно тот ответ, который нужен аудитору.

Почему Total HTML Converter X

Настоящий Unicode, а не ASCII-приближение

Вывод — это честный UTF-8 или UTF-16. Кириллица остаётся кириллицей, CJK остаётся CJK, арабский и иврит сохраняют свои символы в логическом порядке. Никакой транслитерации, никакого выкидывания символов, никакой замены на знак вопроса — что было читаемо в HTM, остаётся читаемым в TXT.

Настоящее серверное приложение

Total HTML Converter X создан для автоматической работы. Никаких окон GUI, диалоговых окон, запросов подтверждения. Он работает тихо из командной строки или как часть сервиса — именно то, что нужно индексирующей задаче, NLP-пайплайну или архивному воркеру.

Кодировка под вашим контролем

Поисковые движки, NLP-инструментарии и устаревшие системы — каждый ожидает свои последовательности байтов. Конвертер выставляет кодировку и BOM как флаги командной строки, поэтому вы пишете UTF-8 без BOM для Elasticsearch, UTF-16 LE с BOM для инструмента только под Windows и UTF-8 с BOM для рецензента, работающего в Notepad — из одной установки.

Не только TXT

Тот же инструмент командной строки конвертирует HTM в PDF, DOC, XLS, TIFF, JPEG, RTF и другие форматы. Одна установка покрывает все потребности извлечения из HTM на сервере. Замените -c TXT на -c PDF, и вы получите архивный PDF на выходе с теми же функциями пакетной обработки и автоматизации.

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;