Extracteur de ressources HTML, images et Markdown

L’ancienne explication créditait la mauvaise machinerie. Cet outil confie votre balisage à l’analyseur HTML du navigateur lui-même — DOMParser — puis lui pose simplement des questions : chaque script[src], chaque link de feuille de style, chaque élément image. C’est pourquoi une imbrication mal formée ne le fait pas dérailler. L’expression régulière intervient pour la seule tâche que l’analyseur ne peut pas faire : trouver les URL qui ne sont l’attribut de rien, enfouies dans le texte d’un script en ligne ou dans un url(...) CSS. Deux problèmes différents, deux outils différents — et savoir lequel est lequel sépare un extracteur qui marche d’un extracteur qui marche presque.

Beaucoup pensent qu'une image web réside toujours dans une balise `<img>`, mais les navigateurs peignent aussi des images à partir de règles CSS `background-image`, de listes responsives `srcset`, de balises `<meta>` d'aperçu et même de tableaux dans du JavaScript. Cet outil ratisse tous ces endroits d'un coup. À retenir : une photo bien visible à l'écran peut n'avoir aucune balise `<img>` — elle est dessinée par une feuille de style, ce qui explique que 'clic droit, enregistrer l'image' échoue parfois.

Beaucoup de murs 'abonnez-vous pour continuer' sont du pur théâtre. L'article complet est généralement déjà livré dans le HTML de la page et seulement recouvert par une surcouche ou un flou — les mots ont traversé le réseau avant qu'on ne vous demande de payer. Comme cet extracteur lit le texte visible directement dans le balisage analysé et le convertit en Markdown, ce contenu réapparaît intact. Cacher quelque chose avec du CSS n'est pas la même chose que le retenir.