J'extraurai et nettoierai le HTML hors ligne en fichiers texte structurés txt MD jsonl

Je vais convertir votre exportation de site web téléchargée/hors ligne (HTTrack, SiteSucker ou similaire) en fichiers texte propres et lisibles adaptés à l’analyse, la migration de documentation, l’indexation de recherche ou les bases de connaissances AI/RAG.

Ce que vous obtenez :

• Sortie TXT (UTF-8) propre (un fichier par page HTML)
• Optionnellement, sortie Markdown (MD)
• Structure de dossier reflétée (organisée comme votre export)
• Suppression des éléments boilerplate (menus, navigation, en-têtes/pieds de page, barres latérales, blocs répétés)
• Détection du contenu principal (main/article ou extraction heuristique)
• Journal de traitement + rapport final (traité/écrit/ignoré/échoué)

Ce dont j’ai besoin de votre part :

• Un fichier ZIP contenant votre dossier de site hors ligne (fichiers HTML)
• Indiquez-moi votre format de sortie préféré : TXT / MD / JSONL
• Toute section que vous souhaitez exclure (pages légales, connexion, panier, etc.)

Notes importantes :

• Ce service fonctionne avec exportations HTML hors ligne. Je n’ai pas besoin d’accès à l’hébergement.
• Je ne fais pas de web scraping de sites en direct dans ce service (traitement hors ligne uniquement).
• Assurez-vous d’avoir les droits pour traiter le contenu que vous fournissez.

Si vous souhaitez un dataset prêt pour RAG, choisissez Premium (JSONL + métadonnées + déduplication).