Online konvertor WEBARCHIVE do HTM zdarma

Prohlížeč, editor nebo publikační systém může vyžadovat běžný HTML soubor namísto archivního formátu stránek Safari. Převodem vznikne upravitelný dokument .htm, který lze snadněji sdílet, kontrolovat, spravovat v systému pro správu verzí nebo umístit na webový server.

Co je formát WEBARCHIVE

WEBARCHIVE je archiv uložené webové stránky v Apple Safari, který se obvykle ukládá jako binární soubor nebo soubor seznamu vlastností XML s příponou .webarchive. Safari jej vytváří pomocí File → Save As → Web Archive.

Archiv obsahuje hlavní HTML zdroj a může obsahovat také CSS, JavaScript, obrázky, písma a metadata. Hlavním zdrojem těchto souborů jsou uživatelé Safari v systému macOS; nacházejí se také ve starších archivních a dokumentových pracovních postupech založených na Apple. WEBARCHIVE je určen k prohlížení offline v Safari, nikoli k přímým úpravám nebo běžnému webovému hostingu.

Co je formát HTM

HTM je HTML dokument uložený s tříznakovou příponou .htm. HTML obsahuje značky, které prohlížeče interpretují, včetně nadpisů, odkazů, tabulek, formulářů a odkazů na šablony stylů, skripty a obrázky.

.htm a .html představují stejný HTML formát. Prohlížeče, editory zdrojového kódu, nástroje pro statické weby a webové servery obvykle otevírají obě přípony bez software specifického pro Apple. Přípona .htm je užitečná, když starší systém nebo aplikace očekává tříznakové přípony.

Jak převést WEBARCHIVE na HTM

Nejjednodušší metodou je použití 101convert.com, pokud soubor neobsahuje důvěrné údaje:

1. Otevřete převodník WEBARCHIVE na HTM na webu 101convert.com. Je k dispozici zdarma bez nutnosti instalace software.
2. Nahrajte soubor .webarchive a jako výstupní formát vyberte HTM.
3. Spusťte převod a stáhněte výsledný soubor .htm.
4. Otevřete výsledek v prohlížeči a editoru zdrojového kódu. Zkontrolujte text, kódování znaků, odkazy, styly, obrázky a skripty.

Nahrávání souboru do jakékoli online služby nemusí být vhodné pro důvěrný obsah nebo obsah podléhající regulaci. Pokud archiv obsahuje soukromé informace, použijte místo toho místní extrakci.

Místní extrakce hlavního HTML zdroje

WEBARCHIVE je kontejner typu seznamu vlastností, takže standardní knihovna Pythonu 3 může extrahovat jeho hlavní HTML zdroj v systémech macOS, Linux nebo Windows:

import plistlib
import sys
from pathlib import Path

source = Path(sys.argv[1])
target = Path(sys.argv[2])

with source.open('rb') as file:
    archive = plistlib.load(file)

main = archive['WebMainResource']
encoding = main.get('WebResourceTextEncodingName') or 'utf-8'
html = main['WebResourceData'].decode(encoding, errors='replace')
target.write_text(html, encoding='utf-8')

Uložte tento kód jako extract_webarchive.py a spusťte:

python3 extract_webarchive.py page.webarchive page.htm

Tím se hlavní dokument archivu zapíše jako HTML v kódování UTF-8. CSS, obrázky, písma ani JavaScript uvedené v WebSubresources se neexportují ani znovu nepropojí. Pro vytvoření samostatné offline kopie je zapotřebí převodník nebo extrakční skript, který tyto zdroje zpracuje.

Omezení kvality a kompatibility

Převod WEBARCHIVE na jediný soubor HTM nemusí zachovat celou stránku. Obrázky a šablony stylů mohou zůstat odkazované prostřednictvím původních webových URL, takže výstup může při otevření bez připojení k internetu vypadat neúplně. Pokud archiv ukládá zdroje samostatně, musí se exportovat a odkazy v HTML musí směřovat na jejich místní názvy souborů.

Obsah chráněný přihlášením, funkce na straně serveru, reklamy, skripty specifické pro prohlížeč a data načtená až po uložení stránky v Safari nelze spolehlivě znovu vytvořit. JavaScript se také může mimo Safari chovat odlišně.

Zkontrolujte převedený dokument alespoň ve dvou prohlížečích a prohlédněte jeho zdrojový kód, zda obsahuje platnou deklaraci kódování znaků, nejlépe <meta charset="utf-8">. Původní soubor .webarchive si ponechte, dokud neověříte text, odkazy a potřebné zdroje.