Převod souboru WEBARCHIVE do HTML

Archiv Safari může vyžadovat konverzi, pokud editor, webový server nebo prohlížeč od jiného výrobce než Apple vyžaduje běžný soubor .html. Konverze také usnadní prohlížení, úpravy nebo sdílení dokumentu bez Safari.

Co je formát .webarchive

Soubor .webarchive je obvykle binární archiv Apple property-list vytvořený aplikací Safari nebo jinou aplikací založenou na WebKit. Může obsahovat HTML stránky, obrázky, šablony stylů, skripty, fonty a metadata v jednom souboru, takže offline kopii lze znovu otevřít s velkou částí původního vzhledu.

Safari jej vytvoří prostřednictvím File → Save As, když je jako formát vybrán Web Archive. WEBARCHIVE je kontejner spojený s Apple, nikoli standardní formát podporovaný všemi prohlížeči nebo webovými servery.

Co je formát .html

HTML je standardní značkovací jazyk používaný pro webové stránky. Soubor .html lze otevřít v moderních prohlížečích, upravovat v editoru kódu, publikovat na webový server a zpracovávat pomocí nástrojů pro indexování nebo práci s dokumenty bez Safari.

HTML obvykle obsahuje odkazy na samostatné soubory s obrázky, CSS, JavaScript a fonty. Změna přípony nebo extrahování pouze hlavního zdroje automaticky nevytvoří kompletní offline kopii.

Konverze pomocí Safari v macOS

1. Otevřete soubor .webarchive v Safari.
2. Vyberte File → Save As.
3. V nabídce formátu zvolte Page Source nebo Page Source HTML podle verze Safari.
4. Uložte soubor s příponou .html.

Jde o nejrychlejší desktopovou metodu, ale jednotlivé verze Safari se liší. Některé instalace zobrazují v dialogu pro ukládání pouze možnost Web Archive; v takovém případě použijte níže uvedenou metodu extrahování. Exportovaný zdroj nemusí obsahovat všechny archivované podzdroje v samostatném místním adresáři.

Extrahování hlavního zdroje pomocí Python

Standardní knihovna Pythonu dokáže číst binární strukturu property-list bez instalace konvertoru. Uložte následující kód jako extract_webarchive.py:

import plistlib
import sys

source, destination = sys.argv[1], sys.argv[2]
with open(source, 'rb') as file:
    archive = plistlib.load(file)

main = archive['WebMainResource']
data = main['WebResourceData']
if not isinstance(data, bytes):
    raise TypeError('WebResourceData is not binary data')

with open(destination, 'wb') as file:
    file.write(data)

Spusťte jej z Terminalu, Command Prompt nebo PowerShellu pomocí Python 3:

python3 extract_webarchive.py "saved-page.webarchive" "saved-page.html"

Výstupem je obvykle hlavní HTML zdroj archivu. Pokud výstup není čitelný jako text, zkontrolujte hodnotu WebResourceMIMEType archivu; hlavním zdrojem může být také PDF, obrázek nebo jiný typ souboru.

Online konverze a desktopové alternativy

Safari je vhodné pro jednorázovou konverzi v macOS, zatímco metoda s Pythonem je opakovatelná a funguje i v jiných systémech s Python 3. U necitlivého souboru lze zvážit CloudConvert nebo Zamzar, ale pouze pokud aktuální seznam formátů dané služby výslovně nabízí .webarchive jako vstup a HTML jako výstup. Nahráním archivu mohou být zpřístupněny obsah stránky, vložená data, URL nebo informace související s ověřováním, přičemž online podpora tohoto formátu specifického pro Apple je nekonzistentní.

Omezení kvality a kompatibility

• Extrahované HTML může stále odkazovat na původní web, takže obrázky a styly mohou offline nebo po změně webu zmizet.
• JavaScript závislý na API Safari, cookies, local storage, ověřování, požadavcích na server nebo externích službách nemusí po extrahování fungovat.
• Kompletní offline kopie vyžaduje extrahování podzdrojů uvedených v poli WebSubresources archivu, jejich uložení do adresáře s prostředky a přepsání odkazů v HTML. Jednoduchý skript extrahuje pouze WebMainResource.
• Hlavní zdroj může představovat zdrojový kód původního dokumentu, nikoli výsledný DOM vytvořený pomocí JavaScriptu. Výsledek ověřte v prohlížeči a zkontrolujte jeho odkazy na obrázky, šablony stylů a skripty.
• Uložení do HTML mění formát kontejneru; nezachovává všechna metadata archivu Safari ani nezaručuje vykreslení shodné do posledního pixelu.