Ich extrahiere und bereinige offline HTML in strukturierte Textdateien txt MD jsonl

Ich konvertiere deine heruntergeladene/offline Website-Export (HTTrack, SiteSucker oder ähnlich) in saubere, lesbare Textdateien, die sich für Analyse, Dokumentationsmigration, Suchindexierung oder AI/RAG-Wissensbasen eignen.

Was du bekommst:

• Sauberes TXT (UTF-8)-Ausgabe (eine Datei pro HTML-Seite)
• Optionale Markdown (MD)-Ausgabe
• Ordnerstruktur gespiegelt (wie dein Export organisiert)
• Entfernung von Boilerplate (Menüs, Navigation, Kopf- und Fußzeilen, Seitenleisten, wiederholte Blöcke)
• Hauptinhaltserkennung (main/artikel oder heuristische Extraktion)
• Verarbeitungsprotokoll + Abschlussbericht (verarbeitet/geschrieben/übersprungen/fehlgeschlagen)

Was ich von dir brauche:

• Eine ZIP-Datei mit deinem Offline-Website-Ordner (HTML-Dateien)
• Gib mir dein bevorzugtes Ausgabeformat an: TXT / MD / JSONL
• Alle Abschnitte, die du ausschließen möchtest (Rechtliche Seiten, Login, Warenkorb usw.)

Wichtige Hinweise:

• Dieses Gig funktioniert mit offline HTML-Exports. Ich benötige keinen Hosting-Zugang.
• Ich nicht scrape live-Websites in diesem Gig (nur Offline-Verarbeitung).
• Stelle sicher, dass du die Rechte hast, die Inhalte, die du bereitstellst, zu verarbeiten.

Wenn du einen RAG-bereiten Datensatz möchtest, wähle Premium (JSONL + Metadaten + Deduplizierung).