Die hohe Kunst, Webseiten abzugreifen

Neulich bin ich auf ein interessantes Problem gestossen. Ich bekam es mit einer Seite im Web zu tun, die ich speichern wollte. «Klar, nichts Leichteres als das», denkt man sich, und betätigt Ctrl s (oder Datei > Seite speichern unter, falls man ein Tastaturkürzel-Verweigerer ist).

Die Überraschung kam, nachdem ich die gespeicherte HTML-Datei geöffnet habe: Sie enthielt zwar eine grosse Menge an Kram, aber nicht den eigentlichen Nutz-Inhalt. Eine Suche nach einigen Stichworten aus dem Texts der Seite hat diesen Befund bestätigt. Die Weg über Speichern unter liefert keine lokale Kopie, sondern nur einen Haufen nutzloser Bits und Bytes¹^, ².

Es klappt via Zwischenablage

Es stellt sich natürlich eine Frage: Wie kommen wir trotzdem an die Inhalte heran? Klar, über die Druckfunktion ein PDF zu erstellen, wäre möglich. Dabei findet eine Konvertierung in ein anderes Format statt – und womöglich haben wir gute Gründe, HTML zu bevorzugen.

Ich habe zwei Methoden zur Lösung dieses Problems gefunden:

1) Ein kluger HTML-Editor

Ein HTML-Editor sollte in der Lage sein, ein Dokument auch über die Zwischenablage entgegenzunehmen. Das trifft für TinyMCE zu: Das ist ein freier Editor in Javascript, den viele von uns bestimmt als klassischen Editor von Word­press kennen (Tipps zu ihm gibt es hier). Er kommt auch auf html-cleaner.com zum Einsatz, einer Website, die HTML-Code von Ballast befreit. Das ist (wie hier beschrieben) dann hilfreich, wenn wir z.B. eine Worddatei fürs Web aufbereiten müssen.

TinyMCE erledigt den Job souverän: Wir markieren den Text auf der Ursprungsseite, betätigen Ctrl c, wechseln zu HTML-Cleaner, klicken dort ins HTML-Feld, betätigen Ctrl v und voilà, im Code-Feld daneben erscheint die HTML-Quelle. Die können wir kopieren und in unserem Lieblingseditor lokal speichern.

2) Ein Uralt-Windows-Zwischenablage-Utility

Aus reiner Sturheit wollte ich wissen, ob es nicht auch eine Möglichkeit gibt, das Problem offline zu lösen. Und ja, das geht, und zwar mithilfe des kostenlosen Programms Windows Clipboard Viewer. Das ist zwar 2021 eingestellt worden, erfüllt seinen Zweck aber nach wie vor: Es zeigt den Inhalt der Zwischenablage in verschiedenen Formen an. Wenn wir HTML kopieren, dann liefert das Programm u.a. eine Vorschau, Text oder Unicode-Text und unter HTML-Format den eigentlichen Quellcode.

Den können wir hier markieren und kopieren und dann wie schon vorher über einen Texteditor speichern. Einen Schönheitsfehler hat das Programm: Es zeigt die Unicode-Zeichen falsch an. Das lässt sich aber korrigieren, indem wir in unserem Editor eine ANSI-Datei anlegen und speichern – nach dem Öffnen ist die Codierung dann korrekt.

Zwei Bemerkungen noch dazu:

Erstens ist Windows Clipboard Viewer eine grosse Hilfe, wenn wir uns dafür interessieren, welche Inhalte genau in der Zwischenablage stecken. Interessant zum Beispiel, was ein Programm wie Word alles für Informationen in die Zwischenablage stellt: Wir finden kopierten Inhalt als Rich Text (RTF), als HTML, als Objekt, als OLE, als Grafik im EMF-Format und in einem knappen Dutzend weiterer Varianten vor. Das ist zumindest für Entwickler von Interesse.

Zweitens hat Microsoft früher selbst ein ähnliches Programm mitgeliefert. Das hiess ClipBook Viewer (ClipBrd.exe). Das hatte mit Windows for Workgroups 3.1 seinen ersten Auftritt und ist mit Vista verschwunden.

Beitragsbild: Das Objekt des Interesses (Pixabay, Pexels-Lizenz).