Estraerò e pulirò HTML offline in file di testo strutturati txt MD jsonl

Trasformerò il tuo esportazione di sito web scaricata/offline (HTTrack, SiteSucker o simili) in file di testo puliti e leggibili adatti per analisi, migrazione di documentazione, indicizzazione di ricerca o basi di conoscenza AI/RAG.

Ciò che ottieni:

• Output TXT (UTF-8) pulito (un file per ogni pagina HTML)
• Opzionale output Markdown (MD)
• Struttura delle cartelle rispecchiata (organizzata come il tuo export)
• Rimozione di boilerplate (menu, navigazione, intestazioni/piedi, barre laterali, blocchi ripetuti)
• Rilevamento del contenuto principale (main/articolo o estrazione euristica)
• Log di elaborazione + rapporto finale (elaborato/scritto/saltato/fallito)

Ciò di cui ho bisogno da te:

• Un file ZIP con la cartella del tuo sito offline (file HTML)
• Indicami il formato di output preferito: TXT / MD / JSONL
• Sezioni che vuoi escludere (pagine legali, login, carrello, ecc.)

Note importanti:

• Questo servizio funziona con esportazioni HTML offline. Non richiedo accesso all'hosting.
• Non effettuo web scraping di siti live in questo servizio (solo elaborazione offline).
• Assicurati di avere i diritti per processare i contenuti che fornisci.

Se vuoi un dataset pronto per RAG, scegli Premium (JSONL + metadati + deduplica).