HTML से Markdown
HTML पेस्ट करें, .html फाइल अपलोड करें, या एक URL डालें और साफ़ Markdown वापस पाएं - हेडिंग, लिस्ट, टेबल, लिंक, कोड ब्लॉक और एम्फेसिस बरकरार रहते हैं, नेविगेशन, विज्ञापन, कुकी बैनर और स्क्रिप्ट अपने-आप हट जाते हैं। यह किसी वेबपेज को ChatGPT, Claude या RAG पाइपलाइन में देने के लिए बनाया गया है बिना मार्कअप पर कॉन्टेक्स्ट विंडो बर्बाद किए; मिसाल के तौर पर, एक सामान्य Wikipedia आर्टिकल पर, यह लगभग 78,000 टोकन के रॉ HTML को 9,000 से कम टोकन के Markdown में बदल देता है।
AI में पेस्ट करने के लिए HTML इतना महँगा क्यों है
एक सामान्य आधुनिक वेब पेज पर, पढ़ने योग्य शब्द फ़ाइल का बहुत छोटा हिस्सा होते हैं। बाकी सब टैग, क्लास एट्रिब्यूट्स, इनलाइन स्टाइल्स, SVG आइकॉन पाथ्स, JSON ब्लॉक्स और स्क्रिप्ट टैग होते हैं - जिनकी कीमत टोकन में चुकानी पड़ती है जबकि ये भाषा मॉडल को कोई उपयोगी जानकारी नहीं देते। उदाहरण के लिए, Markdown पर विकिपीडिया के आर्टिकल पर, यह कन्वर्टर लगभग 78,000 टोकन के रॉ HTML को 9,000 से कम टोकन के Markdown में बदल देता है जो पढ़ने में भी बेहतर है।
Markdown वही हिस्सा बनाए रखता है जो असल में मायने रखता है। एक ## अब भी एक सेक्शन की सीमा है, एक टेबल अब भी हेडर रो के साथ एक टेबल है, और एक कोड ब्लॉक अब भी फ़ेंस्ड (fenced) है - इसलिए मॉडल <div> सूप से स्ट्रक्चर का अंदाज़ा लगाने के बजाय सीधे उसका इस्तेमाल कर सकता है।
पेज का क्रोम (chrome) कैसे हटाया जाता है
कन्वर्ट करने से पहले, यह टूल एक readability-जैसा पास चलाता है। script, style, iframe और form एलिमेंट्स सबसे पहले हटते हैं। फिर जो भी संरचनात्मक रूप से नेविगेशन है - <nav>, <aside>, <footer>, ARIA रोल्स जैसे navigation और contentinfo, और वे एलिमेंट्स जिनकी क्लास या id मेनू, साइडबार, ऐड, कुकी बैनर, न्यूज़लेटर बॉक्स, शेयर बार या कमेंट सेक्शन को दर्शाती है - उन्हें बाहर कर दिया जाता है। आख़िर में, यह टूल <body> से नीचे उस सबसे संकरे एलिमेंट तक जाता है जो अब भी पेज के लगभग सारे मुख्य टेक्स्ट को रखता है, जो आर्टिकल बॉडी पर जाकर रुकता है। टूल आपको बताता है कि उसने ठीक-ठीक कौन-से ब्लॉक्स हटाए, और अगर आप पूरे डॉक्यूमेंट को कन्वर्ट करना चाहें तो यह पूरा पास बंद भी किया जा सकता है।
अक्सर पूछे जाने वाले प्रश्न
ChatGPT या Claude के लिए वेबपेज को Markdown में क्यों बदलें?
दो वजहें: कॉस्ट और समझ। रॉ HTML ज़्यादातर मार्कअप होता है, इसलिए इसे पेस्ट करने से आपका ज़्यादातर कॉन्टेक्स्ट विंडो टैग्स और क्लास नेम्स पर बर्बाद होता है - Markdown आमतौर पर वही बात दसवें हिस्से जितने टोकन में कह देता है। और क्योंकि Markdown हेडिंग, लिस्ट और टेबल को असली स्ट्रक्चर के रूप में रखता है, मॉडल एक सेक्शन हेडिंग को बॉडी टेक्स्ट से और टेबल हेडर को डेटा रो से अलग बता सकता है, जो रॉ टेक्स्ट एक्सट्रैक्शन पूरी तरह फेंक देता है।
क्या यह कोई URL फेच कर सकता है, या मुझे HTML पेस्ट करना होगा?
दोनों काम करते हैं। URL टैब पर स्विच करें, एक एड्रेस डालें, और पेज इस साइट के ज़रिए फेच होता है - एक ब्राउज़र क्रॉस-ओरिजिन नियमों की वजह से दूसरे डोमेन का HTML सीधे नहीं पढ़ सकता, इसलिए यहां सर्वर स्टेप ज़रूरी है। HTML कन्वर्टर तक पहुंचने से पहले स्क्रिप्ट हटाई जाती हैं और रिलेटिव लिंक एब्सोल्यूट बनाए जाते हैं। HTML पेस्ट करना या .html फाइल अपलोड करना पूरी तरह आपके ब्राउज़र में होता है, कहीं कुछ भी भेजे बिना।
क्या यह टेबल, नेस्टेड लिस्ट और कोड ब्लॉक हैंडल करता है?
हाँ। टेबल हेडर रो के साथ GitHub-फ्लेवर्ड Markdown टेबल बन जाते हैं, और सेल के अंदर पाइप को एस्केप किया जाता है ताकि टेबल न टूटे। नेस्टेड लिस्ट अपनी नेस्टिंग और बुलेट या नंबर स्टाइल बनाए रखती हैं, यहां तक कि बुलेटेड लिस्ट के अंदर नंबर्ड लिस्ट भी। कोड ब्लॉक फेंस्ड कोड ब्लॉक बन जाते हैं, और भाषा language-python जैसी क्लास से ली जाती है। इनलाइन कोड, बोल्ड, इटैलिक, स्ट्राइकथ्रू और ब्लॉककोट्स सब बरकरार रहते हैं।
इमेज और लिंक का क्या होता है?
लिंक डिफॉल्ट रूप से अपना URL [text](url) के रूप में रखते हैं, और सिर्फ लिंक टेक्स्ट रखने का एक टॉगल है - किसी विकी आर्टिकल जैसे लिंक-हेवी पेज पर, यह अकेले टोकन काउंट आधा कर सकता है। इमेज डिफॉल्ट रूप से अपना ऑल्ट टेक्स्ट इस्तेमाल करती हैं, क्योंकि एक चैटबॉट तस्वीर नहीं देख सकता और ऑल्ट टेक्स्ट ही वो हिस्सा है जो URL की लागत के एक छोटे हिस्से में मतलब पहुंचाता है। आप स्टैंडर्ड  सिंटैक्स पर स्विच कर सकते हैं या इमेज पूरी तरह हटा सकते हैं।
क्या कुछ स्टोर होता है?
नहीं। पेस्ट किया गया या अपलोड किया गया HTML कभी आपका ब्राउज़र नहीं छोड़ता। आपके फेच किए गए URL सिर्फ HTML लाने के लिए इस साइट से होकर गुज़रते हैं, जो सीधे आपके ब्राउज़र को वापस दे दिया जाता है और कहीं लिखा नहीं जाता।