HTML zu Markdown für LLMs
Verwandelt das HTML einer Webseite in sauberes Markdown – Tabellen bleiben erhalten, Navigation, Skripte und Fußzeilen fallen weg.
Eingabe
Ergebnis
Das Ergebnis erscheint hier.Wer rohes HTML in ein Modell einfügt, verschwendet den Großteil des Kontexts auf Tags, Klassennamen, Skripte und Menüs, und das Modell muss trotzdem raten, welcher Teil der eigentliche Artikel ist. Markdown behält, was zählt – Überschriften, Listen, Links, Codeblöcke und Tabellen – für einen Bruchteil der Tokens. Fügen Sie den Seitenquelltext ein; der Konverter behält das main- oder article-Element, sofern vorhanden, entfernt alles drumherum und wandelt den Rest mit mixmark-io/turndown um. Für ganze Websites oder PDFs und Office-Dateien erledigen jina-ai/reader und microsoft/markitdown dieselbe Aufgabe als Dienst bzw. als Python-Tool.
So arbeitet es
- Das HTML wird vom DOMParser Ihres Browsers geparst, fehlerhaftes Markup wird also vor der Umwandlung genauso repariert, wie ein Browser es reparieren würde.
- Tabellen werden über eine eigens für dieses Tool geschriebene Regel zu Pipe-Tabellen im GitHub-Stil, denn Turndown allein belässt sie als HTML.
- Skripte, Styles, Formulare, nav, aside sowie seitenweite header und footer werden entfernt; der eigene header eines Artikels mit dessen Titel bleibt erhalten.
Wohin Ihre Daten gehen
Nirgendwohin. Dieses Werkzeug läuft vollständig in Ihrem Browser: Der eingefügte Text wird von der Seite verarbeitet und weder an einen Server übertragen noch protokolliert.
Dieses Tool ist kostenlos und braucht kein Konto. Die Ergebnisse existieren nur in Ihrer geöffneten Seite und werden nirgends gespeichert.
Was es kostet
Dieses Werkzeug ist kostenlos, ohne Anmeldung und ohne Punkte.
Häufige Fragen
- Kann ich statt HTML eine URL angeben?
- Hier nicht: Eine Seite in Ihrem Browser kann das HTML einer anderen Website nicht lesen, weil deren CORS-Regeln das blockieren. Öffnen Sie die Seite, lassen Sie sich den Quelltext anzeigen oder kopieren Sie das Element aus den Entwicklertools und fügen Sie es ein. Um URLs in großer Zahl abzurufen, ist ein serverseitiger Reader wie jina-ai/reader das richtige Werkzeug.
- Wie werden verbundene Zellen behandelt?
- Auf eine Zelle mit colspan folgen leere Zellen, damit jede Zeile dieselbe Spaltenzahl behält. Für rowspan gibt es in Markdown keine Entsprechung, es wird nicht nachgebildet. Eine Tabelle mit nur einer Zeile oder Spalte wird als Layout behandelt und in Absätze aufgelöst – denn genau das sind solche Tabellen fast immer.
- Warum fehlen im Vergleich zu anderen Konvertern die Backslashes?
- Turndown maskiert normalerweise jeden Unterstrich und jedes Sternchen im Text, wodurch aus Q4_K_M dann Q4\_K\_M wird. Das schützt vor seltenen Kollisionen mit Hervorhebungen, erzeugt aber auf jeder Seite Rauschen – deshalb maskiert dieses Tool nur Zeichen, die eine Zeile in eine Überschrift, ein Zitat oder eine Liste verwandeln würden.
Das Open Source dahinter
Dieses Werkzeug läuft auf mixmark-io/turndown, veröffentlicht unter MIT. Wer dasselbe Verhalten im eigenen Programm braucht, greift zu dieser Bibliothek.
mixmark-io/turndownAuch bekannt als
- html zu markdown
- html in markdown umwandeln
- webseite zu markdown
- html to markdown
- html to md
- turndown online