تحويل صفحات الويب ومصدر HTML إلى نص عادي

أحيانًا لا يكون بين يديك إلا مصدر HTML، كعرض HTML في محرر مدونة، أو قالب بريد إلكتروني، أو ملف تصدير من نظام إدارة محتوى، وتريد استخراج نص المحتوى وحده. وإذا حذفت الوسوم يدويًا فمن السهل أن تبقى كيانات مثل & وشيفرات البرامج النصية.

سلسلة المعالجة الأساسية

الوصفة الجاهزة بالترتيب التالي.

1. إزالة وسوم HTML — تحذف الوسوم، وتحوّل حدود الكتل إلى فواصل أسطر، والكيانات إلى أحرف.
2. تنظيف الأحرف غير المرئية وعلامات الاقتباس — تنظّف NBSP (U+00A0) الناتجة عن   وعلامات الاقتباس المنحنية وتحوّلها إلى أحرف عادية.
3. إزالة المسافات من البداية والنهاية — تحذف المسافات المتبقية في أول الأسطر بسبب المسافة البادئة في المصدر.
4. حذف الأسطر الفارغة — توحّد الفراغ بين الفقرات في سطر واحد بخيار «دمج الأسطر الفارغة المتتالية في سطر واحد».
5. دمج المسافات وعلامات الجدولة المتتالية — تختصر المسافات المتعددة داخل السطر إلى مسافة واحدة.

ما تعالجه إزالة الوسوم

• التعليقات والشيفرات التنفيذية: تُحذف تعليقات <!-- --> وعناصر <script> و<style> و<noscript> و<template> مع محتواها. فلو حُذفت الوسوم وحدها لبقيت شيفرة JavaScript أو CSS كأنها جزء من النص.
• الوسوم الكتلية وفواصل الأسطر: إذا كان «تحويل الوسوم الكتلية و<br> إلى فواصل أسطر» مفعّلًا، يُفصَل السطر عند <br> وعند حدود العناصر الكتلية مثل p وdiv وh1~h6 وli وtr. ولأن وسم الفتح ووسم الإغلاق كليهما يصبحان فاصل سطر، تنشأ أسطر فارغة، وتُختصر الأسطر الفارغة المتتالية ثلاثة فأكثر إلى سطرين.
• الجداول: تتحول نهاية الخلية (</td> و</th>) إلى علامة جدولة. وإذا لصقت النتيجة في جدول بيانات انقسمت الأعمدة.
• الكيانات: إذا كان «تفسير الكيانات مثل &amp;» مفعّلًا، تتحول الكيانات المسماة الشائعة مثل & < > "   … والكيانات الرقمية مثل ' ' إلى أحرفها الفعلية. أما الكيانات المسماة التي لا تعرفها الأداة فتبقى كما في المصدر.

<h2>إعلان</h2>
<p>جدول الصيانة&nbsp;لهذا الأسبوع.<br>للاستفسار: منتدى Q&amp;A.</p>
<ul><li>الاثنين: الخادم</li><li>الأربعاء: قاعدة البيانات</li></ul>
<script>track();</script>

يُنظَّف المصدر أعلاه ليصبح كما يلي.

إعلان

جدول الصيانة لهذا الأسبوع.
للاستفسار: منتدى Q&A.

الاثنين: الخادم

الأربعاء: قاعدة البيانات

إذا لم ترغب في بقاء أسطر فارغة بين عناصر القائمة، فاختر «حذف كل الأسطر الفارغة» بدلًا من دمج الأسطر الفارغة المتتالية. لكن في هذه الحالة تختفي أيضًا الأسطر الفارغة بين الفقرات.

إذا أردت الحفاظ على بنية الجدول

الخطوة الأخيرة في الوصفة، دمج المسافات وعلامات الجدولة المتتالية، يكون فيها «دمج علامات الجدولة أيضًا في مسافة» مفعّلًا افتراضيًا فتتحول علامات الجدولة في الجدول إلى مسافات. كما تحذف إزالة المسافات من البداية والنهاية علامات الجدولة في طرفي السطر. لاستخدام الجدول كبيانات مفصولة بعلامات جدولة، أوقف «دمج علامات الجدولة أيضًا في مسافة» في عملية الدمج، وأوقف خطوة إزالة المسافات من البداية والنهاية.

الفرق عن النسخ من شاشة المتصفح

النسخ بسحب صفحة الويب على الشاشة يعطي نتيجة مختلفة عن تنظيف مصدر HTML بهذه الأداة.

• لا تفسّر هذه الأداة CSS، فيبقى في النتيجة نص العناصر المخفية بـ display:none أيضًا.
• يختفي النص البديل للصور (alt) وعناوين الروابط (href) مع الوسوم. إذا احتجت إلى عناوين الروابط فتحقّق منها في المصدر على حدة قبل حذف الوسوم.
• إذا كُتبت جملة طويلة على عدة أسطر داخل مصدر HTML، تبقى فواصل الأسطر تلك كما هي. في هذه الحالة يفيد إضافة استعادة فواصل الأسطر في نص PDF المنسوخ بعدها لوصل الأسطر داخل الفقرة.
• لا يُدرَج فاصل سطر ولا مسافة عند حدود العناصر غير الكتلية مثل <span>، فالعناصر الملتصقة في المصدر بلا مسافة تخرج بأحرف ملتصقة.

الأحرف الخفية في قوالب البريد الإلكتروني

تحتوي HTML النشرات البريدية أحيانًا على عشرات الأحرف غير المرئية مثل ‌ أو ​ لضبط نص المعاينة في صندوق الوارد. تحوّل إزالة الوسوم هذه الكيانات إلى فاصل ربط صفري العرض (U+200C) ومسافة صفرية العرض (U+200B)، ثم تحذفها الخطوة الثانية في الوصفة. وإذا أوقفت خطوة تنظيف الأحرف غير المرئية وعلامات الاقتباس بقيت هذه الأحرف في النتيجة، فقد يبدو النص سليمًا ثم يختلف عند البحث أو المقارنة.

إذا أردت إعادة رموز التعداد قبل عناصر القائمة، فأضف بعد الوصفة عملية إضافة نص إلى بداية الأسطر ونهايتها وأدخل - في البداية. لكن لأنها تُضاف إلى كل الأسطر، فهي لا تناسب نتيجة تختلط فيها العناوين بالفقرات.

تنبيه

• تُحذف الوسوم على أساس الشكل الذي يبدأ بـ < يليه حرف لاتيني وينتهي بـ >. في المصادر النادرة التي تحتوي قيم سماتها على > قد يبقى جزء منها.
• تُفسَّر الكيانات بعد حذف الوسوم، لذا لا يُعامَل <b> في المصدر كوسم، بل يبقى نصًا هو <b>. وهذا سلوك مقصود.

قائمة التحقق

• الصق المصدر كاملًا وجرّب الوصفة أولًا.
• إذا كنت ستستخدم الجدول فأوقف الخطوات التي تحذف علامات الجدولة.
• إذا احتجت إلى عناوين الروابط فاحفظها قبل حذف الوسوم.

آخر تحديث: 2026-09-23