Html2text
| ||||||
html2text. Es un convertidor avanzado que permite llevar un sitio a texto plano.
Características
Es muy utilizado en la línea de comando de Linux para convertir documentos en formato HTML a texto plano, el mismo lee los documentos entrados por el usuario, formatea cada uno de ellos en chorros de caracteres de texto puro, y escribe el resultado de forma normal (o en un archivo, si se usa la opción -o). La URL o camino de los documentos se pueden especificar varias formas, utilizando el protocolo de transferencia de hipertexto “http:” y “file:” que especifica archivos locales, entre otras formas que también son válidas.
Entiende toda estructura HTML 3.2, pero puede utilizarse sólo parte de ellos debido a las limitaciones del formato de salida del texto. Parsea la entrada de HTML 4, también, pero no siempre exitoso como otros procesadores de HTML. También acepta sintácticamente entradas incorrectas e intenta interpretarlas lógicamente.
Opciones
- Ascii: Por defecto, html2text usa ISO 8859-1 para la salida. Especificando esta opción, el ASCII es usado en lugar de eso.
- Check: Esta opción es para propósitos de diagnosticos: El documento html es solo parseado y no es procesado de otra manera. En este modo de operación, html2text comunicará los errores al parsear. Se puede notar que al analizar y detectar los errores, estos no son fatales para html2text, pero pueden causar mala interpretación del código HTML y/o porciones del documento.
- Debug-parser: Permite reportar sobre los valores simbólicos que fueron detectados, la existencia de reglas que se aplicaron, mientras que se parsea el documento HTML. Esta opción se utiliza con el propósitos de diagnósticar el documento.
- Debug-scanner: Permite reportar sobre cada valor simbólico léxico que se detectó al escanear el documento de HTML.
- Help: Imprime un resumen de la línea de comando.
- Output-file: Imprime el resultado en un archivo especificado.
- Unparse: Esta opción se utiliza con el propósito de diagnosticar el documento: En lugar de formatear el documento al que es analizado, solo se genera el código HTML. Si html2text tiene problemas parseando un documento HTML sintácticamente incorrecto, esta opción le puede servir de ayuda para entender y poder arreglar el código original.
- Width width: Por defecto, html2text formatea el documento HTML para una anchura de la pantalla de 79 caractéres. Usted en este apartado puede especificar una anchura diferente a la anterior.
Ejemplos de uso
- html2text -o ubuntu.txt file:///usr/share/ubuntu-artwork/home/locales/index-es_ES.html: En este ejemplo “ubuntu.txt” es el fichero en que se guarda el resultado devuelto por la linea de comando, en este caso se guardó en el home(espacio personal).
- html2text -o testinghtml.txt /var/www/testing/index.html: Esta es otra forma de especificar el camino hacia el fichero.
Si no se inserta la opción -o seguido del fichero en que se guardará la información, se muestra la conversión en el terminal. Html2text fue escrito hasta la versión 1.2.2 por Arno Unkring. Actualmente quien lleva este proyecto es Martin Bayer.
