HTML-Asset-, Bild- & Markdown-Extraktor

Die alte Erklärung schrieb es der falschen Maschinerie zu. Dieses Werkzeug übergibt dein Markup dem HTML-Parser des Browsers selbst — DOMParser — und stellt ihm dann einfach Fragen: jedes script[src], jedes Stylesheet-link, jedes Bildelement. Deshalb bringt fehlerhafte Verschachtelung es nicht aus der Bahn. Der reguläre Ausdruck kommt für die eine Aufgabe ins Spiel, die der Parser nicht erledigen kann: URLs zu finden, die Attribut von nichts sind, sondern im Text eines Inline-Skripts oder in einem CSS-url(...) stecken. Zwei verschiedene Probleme, zwei verschiedene Werkzeuge — und zu wissen, was was ist, unterscheidet einen Extraktor, der funktioniert, von einem, der fast funktioniert.

Viele denken, ein Webbild stecke immer in einem `<img>`-Tag, doch Browser malen Bilder auch aus CSS-Regeln mit `background-image`, aus responsiven `srcset`-Listen, aus `<meta>`-Vorschautags und sogar aus Arrays in JavaScript. Dieses Werkzeug durchsucht all diese Stellen auf einmal. Praktische Erkenntnis: Ein Foto, das du klar auf dem Bildschirm siehst, hat vielleicht gar kein `<img>`-Tag — es wird von einer Stylesheet-Regel gezeichnet, weshalb 'Rechtsklick, Bild speichern' manchmal scheitert.

Viele 'Zum Weiterlesen abonnieren'-Schranken sind reines Theater. Der vollständige Artikel steckt meist schon im HTML der Seite und wird nur von einem Overlay oder einer Unschärfe überdeckt — die Worte überquerten das Netz, bevor du zur Kasse gebeten wurdest. Da dieser Extraktor den sichtbaren Text direkt aus dem geparsten Markup als Markdown liest, taucht dieser Inhalt unversehrt wieder auf. Etwas mit CSS zu verbergen ist eben nicht dasselbe, wie es zurückzuhalten.