なぜ MHT を TXT に変換するのですか？
.mht を .txt に変換すると、すべての HTML マークアップ、画像、CSS が取り除かれ、読み取り可能な文字のみが残ります。これは、ページの内容を検索ツールやテキストプロセッサ、または HTML や MHTML を処理できない他のパイプラインに読み込ませる際に便利です。
MHT から TXT への変換方法
Microsoft Word EASIEST
「ファイル」 > 「開く」から Word で .mht を開き、「ファイル」 > 「名前を付けて保存」で「プレーンテキスト (*.txt)」を選択します。文字セットの確認ダイアログが表示されたら、UTF-8 エンコードを選択してください。
これらの形式について
.MHT
MIME HTML Web Archive (MHTML)
MHT (MHTML) ファイルは、HTML、画像、CSS、スクリプトを、電子メールで使用されるものと同じ MIME パッケージングを使用して1つのファイルにまとめた完全なウェブページです。Microsoft Edge または Google Chrome にドラッグすることで開くことができます。MHT ファイルを変換する主な理由は PDF…
.MHT の詳細を開く →
.TXT
Plain Text File
TXT ファイルは、書式設定のないプレーンテキストであり、あらゆるコンピュータにおいて最もシンプルなドキュメント形式です。ダブルクリックすると、Windows では メモ帳、macOS では TextEdit、Linux では gedit…
.TXT の詳細を開く →品質と注意点
- すべての画像、CSS 書式、ハイパーリンク、レイアウトは破棄されます。
.txtには可視テキスト文字のみが含まれます。 - ブラウザのコピー＆ペーストでは、画面上にレンダリングされた内容のみが取得されます。CSS で非表示 (
display:none) になっているコンテンツは出力されません。 .mhtファイルは内部的にはテキストベースであり、メモ帳で開くことも可能ですが、バイナリリソース（画像、フォント）は Base64 エンコードされているため、生のファイルを直接読み取ると文字化けした状態で表示されます。
よくある質問
ページ上のすべてのコンテンツが取得されますか？
ブラウザがレンダリングした内容が取得されます。CSS で隠されているコンテンツや、JavaScript によって動的に生成されるコンテンツは欠落する可能性があります。
テキストの書き出し時に Word で聞かれるエンコードは何を選べばよいですか？
他のアプリケーションやエディタとの互換性が最も高い UTF-8 を選択してください。
多数の `.mht` ファイルからの抽出を自動化できますか？
はい - Python の標準ライブラリである
email モジュールを使用すれば、サードパーティ製パッケージなしで MHTML を解析できます。また、html2text ライブラリを使用すると、抽出した HTML 部分を読み取り可能なプレーンテキストに変換できます。プレーンテキスト出力でハイパーリンクを保持する方法はありますか？
いいえ -
.txt はハイパーリンクをサポートしていません。ブラウザがリンクの URL をページ上の可視テキストとしてレンダリングしない限り、リンク先 URL は失われます。
