Інструменти та продукти

Як очистити HTML з Word і Google Docs і не втратити форматування

Звідки береться зайва розмітка при копіюванні тексту, що в ній шкідливого, що треба зберегти й сім типових пасток, які ламають заголовки, списки та посилання.

Як очистити HTML з Word і Google Docs і не втратити форматування

Ви пишете статтю у Word чи Google Docs, копіюєте її й вставляєте в редактор сайту. Виглядає нормально, але на сторінці шрифт чужий, відступи дивні, а в коді тисячі символів службового сміття. Розберімося, звідки воно береться і як очистити текст, не втративши форматування.

Що приїздить разом із текстом

Редактори документів зберігають у буфері не лише слова, а й повне оформлення. У код потрапляють:

  • атрибути style з розмірами, шрифтами, кольорами й відступами;
  • десятки class і id, які нічого не означають для вашого сайту;
  • обгортки span навколо кожного слова з іншим стилем;
  • службові теги Word (o:p, xml-блоки) та умовні коментарі;
  • порожні абзаци з нерозривними пробілами замість відступів.

Така розмітка збільшує вагу сторінки, перебиває стилі дизайну й ускладнює подальше редагування. Про вплив ваги й розмітки на швидкість ми писали в статті Core Web Vitals простими словами.

Що треба зберегти

Прибирати все підряд не можна, інакше зникне зміст. Розрізняйте дві групи.

Структура:

  • заголовки (h1–h6), абзаци й цитати;
  • списки, у тому числі вкладені;
  • таблиці;
  • посилання й зображення.

Типографіка:

  • жирний, курсив, підкреслення та закреслення;
  • верхні й нижні індекси (m², H₂O);
  • поодинокі нерозривні пробіли, які тримають разом число й одиницю виміру.

Усе інше (шрифт, розмір, колір, міжрядковий інтервал) має визначати таблиця стилів сайту, а не вставлений текст.

Сім пасток, які ламають очищення

  1. Жирне, що лишилось у стилях. Google Docs і сайти часто позначають жирний не тегом, а стилем font-weight:700. Якщо просто видалити style, жирний зникне. Потрібно спершу перетворити стиль на тег strong.
  2. Зайвий жирний у всьому документі. Google Docs обгортає весь вміст тегом b зі стилем font-weight:normal. Наївний очисник вважає його жирним і виділяє весь текст.
  3. Списки з абзаців. Word вставляє пункти як звичайні абзаци з символом «·» чи «1.» і службовим стилем mso-list. Після видалення стилів залишається купа абзаців без списків. Їх треба розпізнавати й збирати у справжні ul та ol із вкладеністю.
  4. Посилання-редиректи. Google Docs підміняє адресу на google.com/url?q=.... На сайт варто повертати справжню адресу.
  5. Мертві посилання й зображення. Зміст Word веде на якорі, яких вже немає, а картинки вказують на file:/// на вашому комп'ютері. На сайті це не працюватиме.
  6. Порожні абзаци й кратні пробіли. Для відступів використовують порожні рядки та послідовності нерозривних пробілів. У чистому HTML вони не потрібні.
  7. Небезпечна розмітка. Вставлений HTML може містити скрипти, обробники подій чи посилання javascript:. Очисник має будувати результат із білого списку, а не вирізати «погане» регулярними виразами.

Чому не вставляти як звичайний текст

Режим «вставити без форматування» прибирає розмітку цілком. Разом із нею зникають заголовки, списки, таблиці, посилання й жирний чи курсив, і редактору доведеться відновлювати все вручну. Правильніший шлях: залишити структуру та смислове форматування, а все оформлення прибрати.

Короткий чек-лист

  • Вставляйте оригінальний текст, а не знімок екрана чи PDF.
  • Залишайте заголовки, списки, таблиці й посилання.
  • Переносьте жирний і курсив у теги, а не в стилі.
  • Прибирайте style, class, id, span та службові теги.
  • Видаляйте порожні абзаци й зайві пробіли.
  • Перевіряйте посилання та зображення.
  • Не передавайте текст стороннім сервісам, якщо він містить конфіденційні дані.

Приватність

Багато онлайн-очисників надсилають ваш текст на сервер. У чернетках бувають ціни, договори й персональні дані. Надійніше обирати інструмент, який працює у браузері й нічого не передає.

Спробуйте

Ми створили безкоштовний інструмент очищення HTML: він розуміє Word і Google Docs, зберігає структуру й типографіку, відновлює списки, прибирає службові теги й працює в браузері. Як ми його перевіряли й що виправили в початковому прототипі, читайте в кейсі. Якщо вам потрібне наповнення сайту без технічного болю, дивіться послуги веб-розробка та маркетинг.

Як ми з цим допомагаємо

Послуги, пов’язані з темою статті:

Часті запитання

Чому текст із Word ламає дизайн сайту?

Разом із текстом копіюються inline-стилі, класи та службові теги Office. Вони перебивають стилі сторінки, тому шрифти, відступи й кольори не збігаються з дизайном.

Чи достатньо вставити текст як звичайний?

Це прибирає розмітку, але разом з нею зникають заголовки, списки, таблиці, посилання та жирний чи курсив. Структуру доведеться відновлювати вручну.

Що важливіше зберегти під час очищення?

Структуру (заголовки, списки, таблиці, посилання) і смислове форматування (жирний, курсив). Усе, що відповідає лише за вигляд, краще залишити стилям сайту.

Читайте також

Усі статті блогу →

Потрібна консультація по темі?

Опишіть задачу: підкажемо, з чого почати, і чесно скажемо, що можна не робити.