Extrator de Recursos HTML, Imagens e Markdown

A explicação antiga dava o crédito à maquinaria errada. Esta ferramenta entrega o seu markup ao próprio analisador de HTML do navegador — DOMParser — e depois limita-se a fazer-lhe perguntas: cada script[src], cada link de folha de estilos, cada elemento de imagem. É por isso que um aninhamento malformado não a descarrila. A expressão regular entra para a única tarefa que o analisador não consegue fazer: encontrar URL que não são atributo de nada, enterrados no texto de um script em linha ou dentro de um url(...) de CSS. Dois problemas diferentes, duas ferramentas diferentes — e saber qual é qual separa um extractor que funciona de um que quase funciona.

Muitos acham que uma imagem da web vive sempre em uma tag `<img>`, mas os navegadores também pintam imagens a partir de regras CSS `background-image`, listas responsivas `srcset`, tags `<meta>` de pré-visualização e até arrays dentro de JavaScript. Esta ferramenta vasculha todos esses lugares de uma só vez. A conclusão prática: uma foto que você vê claramente na tela pode não ter nenhuma tag `<img>` — ela é desenhada por uma folha de estilos, e por isso 'clicar com o botão direito, salvar imagem' às vezes falha.

Muitos muros de 'assine para continuar' são puro teatro. O artigo completo costuma vir já no HTML da página e apenas fica coberto por uma sobreposição ou desfoque — as palavras cruzaram a rede antes de você ser convidado a pagar. Como este extrator lê o texto visível direto da marcação analisada e o converte em Markdown, esse conteúdo reaparece intacto. É um lembrete de que esconder algo com CSS não é o mesmo que retê-lo.