Giải mã thực thể HTML

Giải mã một lớp thực thể HTML thành văn bản thuần. So sánh tham chiếu ký tự có tên và dạng số trước khi dùng dữ liệu trích xuất từ trang web.

Mở công cụ chuyển đổi

Dữ liệu chỉ được xử lý trong trình duyệt, không tải lên hay lưu lại.

Văn bản tối đa 1 MiB; XML/YAML tối đa 80 cấp.

Tác giả YiyaoXuất bản Cập nhật

Giải mã thực thể HTML mà không kết xuất trang

Dán văn bản chứa tham chiếu ký tự HTML rồi kiểm tra ký tự sau giải mã. Dùng công cụ khi trường đã thu thập hiển thị & thay cho dấu &, hoặc khi cần đối chiếu văn bản mã hóa với dạng đọc được.

Kết quả vẫn là văn bản thuần. Thẻ đã giải mã được hiển thị nguyên văn, không chèn vào trang web. Bạn có thể kiểm tra ký tự mà không nhầm kết quả chuyển đổi với tài liệu đã kết xuất.

Xác định cách biểu diễn trước

Thực thể HTML, URL mã hóa phần trăm và escape chuỗi JSON dùng các quy tắc khác nhau. Chọn công cụ phù hợp với trường nguồn thực tế. Giá trị chứa %20 cần giải mã URL, còn chuỗi JSON có dấu nháy có thể cần JSON Unescape.

Không chạy mọi bộ giải mã nối tiếp nhau. Ghi lại đầu vào biểu diễn gì và tác vụ tiếp theo cần phép biến đổi nào.

Ví dụ mã hóaKết quả giải mãÝ nghĩa
A & BA & BTham chiếu ký tự có tên
AATham chiếu ký tự thập phân
AATham chiếu ký tự thập lục phân
&lt;item&gt;<item>Văn bản giống markup vẫn chỉ là văn bản

Giải mã một lớp rồi kiểm tra

Chọn giải mã một lần, đối chiếu nguồn và kết quả rồi sao chép khi thay đổi đúng yêu cầu. Đầu vào &amp;lt; trở thành &lt; sau một lượt, không lập tức trở thành dấu nhỏ hơn.

Giữ nguồn gốc cạnh trường đã giải mã trong hồ sơ thử nghiệm. Nếu thư viện trích xuất đã giải mã thực thể, một lượt bổ sung có thể làm thay đổi nội dung vốn được chủ ý mã hóa.

Giải mã một lớp thực thể và giữ kết quả là văn bản thuần.

Phân biệt trích xuất văn bản và giải mã thực thể

Giải mã thực thể thay đổi tham chiếu ký tự. Nó không xóa thẻ, chọn phần nội dung bài viết, trích xuất giá hay xác thực trang web. Nếu có toàn bộ tài liệu HTML, trước tiên hãy chọn phương pháp trích xuất và xác định trường cần lấy.

Ví dụ, trường tên sản phẩm chứa Research &amp; Development trở thành Research & Development. Thao tác này không cho biết trang xung quanh đã được thu thập đầy đủ hay tên đó có thuộc đúng bản ghi không.

Dùng công cụ trong quy trình thu thập

Kiểm tra đầu ra thực tế của Arcvenza Crawler Console trước khi biến đổi. General Website Crawl cung cấp HTML hoặc Markdown; xác định định dạng đã thu thập và yêu cầu ánh xạ của bước tiếp theo.

Chỉ giải mã những trường văn bản cần thiết, giữ URL nguồn và kiểm tra thủ công một vài bản ghi. Chuyển sang bảng có cấu trúc sau khi trích xuất và xác thực, không coi HTML thô là danh sách bản ghi JSON.

Với tác vụ thu thập, Khám phá Crawler Console. Chuyển đổi cục bộ vẫn là bước riêng.

Kiểm tra các trường hợp biên

Tham chiếu không nhận diện được sẽ giữ nguyên để bạn điều tra. Tham chiếu số không hợp lệ tuân theo quy tắc giải mã HTML và có thể tạo ký tự thay thế. Đó là lý do để kiểm tra nguồn gốc, không phải dữ liệu nghiệp vụ đã được sửa đúng.

Khoảng trắng cũng có thể mang ý nghĩa. Khoảng trắng không ngắt dòng và khoảng trắng thường có thể trông giống nhau nhưng khác khi so sánh. Chuẩn hóa phải là quyết định riêng, rõ ràng.

Câu hỏi về giải mã HTML

Công cụ có xóa thẻ HTML không? Không. Nó giải mã tham chiếu ký tự và hiển thị kết quả dưới dạng văn bản.

Giải mã có phải là làm sạch nội dung không? Không. Ứng dụng vẫn cần xử lý an toàn cho ngữ cảnh đầu ra cuối cùng.

Công cụ có tải trang riêng tư giúp tôi không? Hãy dán mẫu văn bản đã loại bỏ thông tin nhạy cảm. Phiên bản này không tải URL từ xa.