Convertir du HTML en texte

Comment ça marche

Collez le code HTML dans le panneau de gauche : le texte débarrassé de ses balises apparaît aussitôt à droite, sans bouton à presser. L'outil retire les balises ouvrantes et fermantes, supprime les blocs script et style avec tout leur contenu — aucune ligne de code ni aucune règle de style ne se retrouve dans le résultat —, efface les commentaires HTML et décode les entités comme &,   ou é en vrais caractères. Concrètement, les 40 Ko de source copiés depuis une page d'actualité tombent à quelques kilo-octets lisibles, titres et paragraphes sur des lignes distinctes, chaque élément de liste précédé d'un tiret. L'option Liens sert à qui veut reconstituer une bibliographie : avec « Libellé + adresse », l'URL est écrite entre parenthèses juste après le texte du lien. La ligne de résultat indique combien de balises ont été retirées et de combien de caractères à combien le texte est passé ; ce résultat se copie ou se télécharge en fichier .txt.

Cet outil est aussi connu sous le nom de html en texte, convertir html en texte, supprimer les balises html, extraire le texte d'une page html, nettoyer du code html.

Qu'est-ce que HTML ?

HTML (HyperText Markup Language) est le langage de balisage qui donne sa charpente à une page web : il déclare, à l'aide de balises entre chevrons, quelle partie du texte est un titre, laquelle est un paragraphe, laquelle est un lien. Le navigateur lit ce balisage et le transforme en page visible ; mais dès que vous copiez la source, le balisage revient s'entremêler au texte. Le travail de cet outil consiste précisément à séparer les deux : le balisage est jeté, la parole est gardée.

Qu'est-ce que Balise ?

Une balise est l'élément de structure du HTML, écrit entre chevrons : <p> ouvre un paragraphe, </p> le referme, <a href="..."> établit un lien. La plupart des balises fonctionnent par paire et le contenu se tient entre les deux ; quelques-unes, comme <br>, se suffisent à elles-mêmes. Au nettoyage, la balise et ses attributs partent tandis que le texte encadré reste. Script et style font exception : ce qu'ils contiennent n'est pas du texte mais du code, ils sont donc supprimés avec leur contenu.

Qu'est-ce que Entité ?

Une entité est l'écriture codée d'un caractère qui a un sens particulier en HTML ou qui se tape mal au clavier : &amp; représente l'esperluette, &lt; le signe inférieur, &nbsp; l'espace insécable. Il existe aussi une forme numérique, et les langues à accents en dépendent souvent : &#233; comme &#xE9; donnent é, &#231; donne ç. Dans un texte copié depuis la source, ces suites cassent la lecture ; l'outil décode toutes les entités nommées définies en HTML et toutes les entités numériques, et laisse intact ce qu'il ne reconnaît pas pour ne rien perdre.

Ce que le nettoyage détruit, et ce qu'il fait apparaître

Les balises ne portent pas que l'apparence, elles portent aussi la structure : ce qui aligne les cellules d'un tableau, ce qui répartit le texte en colonnes, ce qui place les images. Le nettoyage efface cette structure sans retour possible — les lignes d'un tableau retombent les unes sous les autres et les images sont écartées, y compris leur texte de remplacement. C'est le comportement recherché quand vous voulez la parole de la page et non son allure ; si la mise en page compte, il ne faut pas un nettoyage mais une conversion vers un format qui sait la porter.

La surprise vient parfois dans l'autre sens. Ce que le CSS masque — un avertissement en display:none, un libellé écrit pour les lecteurs d'écran, les entrées d'un menu qui n'a pas été ouvert — reste bien présent dans le code même si le navigateur ne l'affiche jamais. Cet outil n'interprète pas le CSS, donc ces passages ressortent dans le résultat. Le texte obtenu n'est pas la copie de ce que vous voyiez à l'écran : c'est la totalité du texte que le HTML contient réellement.

Quel réglage pour quel usage ?

Les deux réglages se choisissent selon la destination du texte ; les valeurs par défaut couvrent le cas le plus courant.

• Archiver un article ou une dépêche sous forme lisible → Conserver les paragraphes
• Coller le texte dans une cellule de tableur ou un champ d'une seule ligne → Une seule ligne
• Relever toutes les adresses citées dans une infolettre → Libellé + adresse
• Récupérer un corps de texte propre pour un traitement de texte → Conserver les paragraphes + Garder seulement le libellé

Questions fréquentes

Comment enlever les balises HTML d'un texte ?

Il suffit de coller le code dans le panneau de gauche : le texte sans balises, sans blocs script ou style et sans commentaires se forme immédiatement à droite. Vous pouvez le copier ou le télécharger en fichier .txt.

Le HTML que je colle part-il sur un serveur ?

Non. Le nettoyage tourne entièrement dans votre navigateur ; ni le code ni le texte qu'il contient ne sont envoyés où que ce soit. Vous pouvez donc y coller le corps d'un e-mail contenant des informations sur un client.

Pourquoi les suites comme &amp; ou &#233; redeviennent-elles lisibles ?

Ce sont des entités HTML, c'est-à-dire l'écriture codée de certains caractères. L'outil décode toutes les entités nommées définies en HTML, accents compris (&ccedil;, &eacute;, &agrave;), ainsi que toutes les entités numériques : &amp; redevient l'esperluette, &#233; redevient é et &#231; redevient ç. Une entité qu'il ne connaît pas est laissée intacte plutôt que déformée.

Les données d'un tableau gardent-elles leurs colonnes ?

Non. L'alignement des colonnes est porté par les balises, il disparaît donc avec elles et chaque cellule descend sur sa propre ligne. Pour transporter un tableau en tant que tableau, il faut une conversion de format et non un retrait de balises ; si seul le texte compte, cet outil est le bon.