Extractor de Recursos HTML, Imágenes y Markdown

La explicación anterior atribuía el mérito a la maquinaria equivocada. Esta herramienta entrega tu marcado al propio analizador de HTML del navegador — DOMParser — y luego simplemente le hace preguntas: cada script[src], cada link de hoja de estilos, cada elemento de imagen. Por eso un anidamiento mal formado no la descarrila. La expresión regular entra para la única tarea que el analizador no puede hacer: encontrar URL que no son atributo de nada, enterradas en el texto de un script en línea o dentro de un url(...) de CSS. Dos problemas distintos, dos herramientas distintas: y saber cuál es cuál separa un extractor que funciona de uno que casi funciona.

Mucha gente cree que una imagen web vive siempre en una etiqueta `<img>`, pero los navegadores también pintan imágenes a partir de reglas CSS `background-image`, listas responsivas `srcset`, etiquetas `<meta>` de vista previa e incluso arrays dentro de JavaScript. Esta herramienta rastrea todos esos lugares a la vez. La conclusión práctica: una foto que ves claramente en pantalla puede no tener ninguna etiqueta `<img>` — la dibuja una hoja de estilos, y por eso a veces falla 'clic derecho, guardar imagen'.

Muchos muros de 'suscríbete para seguir leyendo' son puro teatro. El artículo completo suele venir ya en el HTML de la página y solo queda tapado por una superposición o un desenfoque — las palabras cruzaron la red antes de que te pidieran pagar. Como este extractor lee el texto visible directamente del marcado analizado y lo convierte en Markdown, ese contenido reaparece intacto. Es un recordatorio de que ocultar algo con CSS no es lo mismo que retenerlo.