Transformer une page web ou du code HTML en texte brut

Il arrive qu'on n'ait sous la main que du code HTML — vue HTML d'un éditeur de blog, modèle d'e-mail, fichier exporté d'un CMS — et qu'on veuille n'en extraire que le texte. En effaçant les balises à la main, il est facile de laisser des entités comme & ou des bouts de script.

Pipeline de base

La recette intégrée suit cet ordre.

1. Supprimer les balises HTML — efface les balises, change les limites de bloc en sauts de ligne et les entités en caractères.
2. Nettoyer caractères invisibles et guillemets — convertit en caractères ordinaires le NBSP (U+00A0) issu de   et les guillemets courbes.
3. Supprimer les espaces en bordure — efface les espaces restés en début de ligne à cause de l'indentation du code.
4. Supprimer les lignes vides — avec « Réduire les lignes vides consécutives à une », ne laisse qu'une ligne vide entre les paragraphes.
5. Réduire les espaces et tabulations répétés — réduit à un seul les espaces répétés dans les lignes.

Ce que fait la suppression des balises

• Commentaires et code exécutable : les commentaires <!-- --> et les éléments <script>, <style>, <noscript> et <template> sont effacés avec leur contenu. Si l'on n'effaçait que les balises, le code JavaScript ou CSS resterait comme du texte.
• Balises de bloc et sauts de ligne : avec « Balises de bloc et <br> → saut de ligne » activé, la ligne est coupée à <br> et aux limites des éléments de bloc comme p, div, h1 à h6, li et tr. Balise ouvrante et balise fermante produisant toutes deux un saut de ligne, des lignes vides apparaissent ; trois lignes vides consécutives ou plus sont réduites à deux.
• Tableaux : la fin des cellules (</td>, </th>) devient une tabulation. En collant le résultat dans un tableur, les colonnes se séparent.
• Entités : avec « Décoder les entités comme &amp; » activé, les entités nommées courantes comme & < > "   … et les entités numériques comme ' ' deviennent les caractères réels. Les entités nommées que l'outil ne connaît pas restent telles quelles.

<h2>Avis</h2>
<p>Maintenance&nbsp;prévue cette semaine.<br>Questions : forum Q&amp;R.</p>
<ul><li>Lun : serveur</li><li>Mer : base de données</li></ul>
<script>track();</script>

Le code ci-dessus devient :

Avis

Maintenance prévue cette semaine.
Questions : forum Q&R.

Lun : serveur

Mer : base de données

Si vous ne voulez pas de lignes vides entre les éléments de liste, choisissez « Supprimer toutes les lignes vides » au lieu de réduire les lignes vides consécutives. Mais dans ce cas, les lignes vides entre paragraphes disparaissent aussi.

Pour préserver la structure des tableaux

La dernière étape de la recette, la réduction des espaces et tabulations répétés, a « Fusionner aussi les tabulations en espace » activé par défaut et change les tabulations du tableau en espaces. La suppression des espaces en bordure efface elle aussi les tabulations en début et fin de ligne. Pour utiliser le tableau comme données séparées par des tabulations, désactivez « Fusionner aussi les tabulations en espace » et désactivez l'étape de suppression des espaces en bordure.

Différence avec une copie depuis l'écran du navigateur

Sélectionner et copier une page à l'écran et nettoyer son code HTML avec cet outil ne donnent pas le même résultat.

• Cet outil n'interprète pas le CSS. Le texte des éléments masqués par display:none reste dans le résultat.
• Le texte alternatif des images (alt) et l'adresse des liens (href) disparaissent avec les balises. Si vous avez besoin des liens, relevez-les dans l'original avant d'effacer les balises.
• Si le code HTML contient de longues phrases réparties sur plusieurs lignes, ces sauts de ligne restent. Ajouter ensuite Réparer les sauts de ligne d'un PDF, qui recolle les lignes à l'intérieur des paragraphes, aide dans ce cas.
• Aux limites des éléments qui ne sont pas des blocs, comme <span>, ni saut de ligne ni espace n'est inséré : des éléments collés dans l'original ressortent avec leur texte collé.

Caractères cachés des modèles d'e-mail

Le HTML des newsletters contient parfois des dizaines de caractères invisibles comme ‌ ou ​ pour contrôler le texte d'aperçu dans la boîte de réception. La suppression des balises convertit ces entités en non-liant de largeur nulle (U+200C) et en espace de largeur nulle (U+200B), et la deuxième étape de la recette les efface. Si vous désactivez l'étape de nettoyage des caractères invisibles et guillemets, ils restent dans le résultat, et un texte d'apparence normale peut échouer aux recherches et comparaisons.

Pour remettre des puces devant les éléments de liste, ajoutez après la recette l'opération d'ajout de texte au début et à la fin et indiquez - au début. Comme elle s'applique à toutes les lignes, elle ne convient toutefois pas à un résultat qui mêle titres et paragraphes.

Attention

• Les balises sont effacées d'après le format < suivi d'une lettre et fermé par >. Dans de rares codes contenant > dans la valeur d'un attribut, quelques fragments peuvent subsister.
• Les entités sont décodées après l'effacement des balises : <b> dans l'original n'est donc pas traité comme une balise et reste sous forme du texte <b>. C'est le comportement voulu.

Check-list

• Collez tout le code et appliquez d'abord la recette.
• Si vous comptez utiliser des tableaux, désactivez les étapes qui effacent les tabulations.
• Si vous avez besoin des adresses des liens, récupérez-les avant d'effacer les balises.

Dernière mise à jour: 2026-09-23