コマンドラインでHTMをUnicodeテキストに変換 — サーバー向けバッチコンバーター

HTMまたはHTMLファイルのフォルダ — スクレイピングされたページ、アーカイブされた公報、エクスポートされたヘルプファイル、イントラネットのスナップショット — があり、マークアップなしの可読テキストを必要とする下流のパイプラインがある場合。検索インデクサーは<div>のノイズを欲しがりません。NLPトークナイザーはインラインスクリプトで詰まります。法務レビューはCSSではなく散文を求めています。Total HTML Converter Xは、GUIなし、ブラウザエンジンも不要で、コマンドラインからHTMマークアップを除去しクリーンなUnicodeテキストをバッチで書き出します。Windowsサーバーにインストールし、スクリプトやActiveX経由で呼び出して、インデクサー、モデル、アーカイブにデータを供給できます。

Total HTML Converter Xの機能

• バッチ抽出 — ワイルドカード（*.htm）を指定するだけで、一致するすべてのファイルを一回の実行で処理
• プレーンUnicode出力 — マークアップ、スクリプト、スタイル、コメントを削除したUTF-8またはUTF-16テキストを生成
• エンコーディング制御 — UTF-8、UTF-16 LE/BE、BOMの有無を選択し、テキストの消費先に合わせる
• 完全な文字カバレッジ — ソースHTMからキリル、CJK、アラビア、ヘブライ、デーヴァナーガリー、アクセント付きラテン、絵文字を保持
• 双方向テキスト — アラビア語とヘブライ語のランを論理順序で保持し、検索やNLPツールが正しい単語境界を認識
• ブラウザエンジン不要 — サーバーにChromiumやEdgeをインストールせずにHTMを直接解析
• ActiveX / COM — .NET、VBScript、PHP、Python、その他のCOM互換環境からコンバーターを呼び出し、独自のアプリケーションにテキスト抽出を組み込み可能
• .batスクリプト — コマンドをバッチファイルに保存し、Windowsタスクスケジューラでスケジュール実行して完全自動化

Windows 7/8/10/11 • Server 2008/2012/2016/2019/2022

HTM vs Unicode TXT: なぜ変換が必要か？

HTM（およびHTML）はブラウザ向けのマークアップ言語です。ファイルには散文、タグ、属性、インラインスタイル、JavaScript、外部アセットへの参照が混在しています。生のHTMを取り込む検索インデクサーは、実際のコンテンツと並んで<script>ブロックやCSSクラス名にスコアを付けることになります。LLMトークナイザーはノイズにコンテキストを浪費します。HTMアーカイブに対するgrepは、本文ではなく属性内の一致を返します。

Unicode TXTはUTF-8またはUTF-16のプレーンテキストです。タグなし、マークアップなし、書式なし — ドキュメントの可読文字だけです。検索エンジン、NLPツールキット、ログアナライザー、アーカイブユーティリティはどれも前処理なしで取り込みます。変換は意図的に不可逆です：画像、レイアウト、スタイルは消えます。残るのはテキストコンテンツで、正しい論理順序で、元の文字セットがそのまま保持されます。

コマンドラインでHTMをUnicodeテキストに変換する方法

ステップ1. Total HTML Converter Xをインストール

上のリンクからインストーラーをダウンロードし、Windowsサーバーまたはワークステーションで実行します。セットアップは1分以内で完了します。ブラウザ、Microsoft Office、Javaランタイムは不要です — コンバーターは独自エンジンでHTMを解析し、Unicodeテキストを直接書き出します。

ステップ2. コマンドプロンプトを開く

cmd.exeまたはPowerShellを開きます。コンバーターの実行ファイルはHTMLConverter.exeで、インストールフォルダ（通常はC:\Program Files\CoolUtils\TotalHTMLConverterX\）にあります。システムPATHに追加するか、コマンドでフルパスを使用してください。

ステップ3. 基本抽出を実行

最もシンプルなコマンドは、フォルダ内のすべてのHTMファイルからマークアップを除去し、UTF-8テキストを書き出します：

HTMLConverter.exe C:\Pages\*.htm C:\Output\ -c TXT -Encoding UTF-8

このコマンドはC:\Pages\内のすべての.htmファイルを処理し、変換後の.txtファイルをC:\Output\に保存します。各HTMファイルから同じベース名のTXTが1つ生成され、本文がUTF-8で書き出されます。

ステップ4. エンコーディングとログを制御

テキストの消費先に合わせて出力を調整します：

HTMLConverter.exe C:\Pages\*.htm C:\Output\ -c TXT -Encoding UTF-16 -BOM 1 -log C:\Logs\htm2txt.log

• -Encoding UTF-8 — デフォルト。ほとんどの検索とNLPパイプラインに対応
• -Encoding UTF-16 — ワイド文字を期待するレガシーWindowsツールに便利
• -BOM 1または-BOM 0 — バイト順マークを書き込むかスキップ。多くのインデクサーはBOMなしを好む
• -log C:\Logs\htm2txt.log — 処理されたすべてのファイルと解析警告を記録

ステップ5. .batファイルで自動化

コマンドを.batファイルに保存し、Windowsタスクスケジューラでスケジュールします：

@echo off
"C:\Program Files\CoolUtils\TotalHTMLConverterX\HTMLConverter.exe" C:\Incoming\*.htm C:\Archive\TXT\ -c TXT -Encoding UTF-8 -BOM 0 -log C:\Logs\htm2txt.log

これは毎晩（または設定した任意の間隔で）実行され、検索インデクサー、NLPジョブ、grepベースの監査が取り込めるようにアーカイブフォルダにUTF-8テキストを格納します。

ActiveX / COM統合

Total HTML Converter Xは完全なActiveXオブジェクトとして登録されます。.NET、VBScript、PHP、Python、Ruby、ASPなど、あらゆるCOM互換環境から呼び出せます。これにより、コマンドラインプロセスを外部起動することなく、独自の取り込みサービス、イントラネットポータル、NLPパイプラインにHTM-to-Unicode-text抽出を組み込めます。

例（C#/.NET）：

HTMLConverterX Cnv = new HTMLConverterX();
Cnv.Convert("C:\\Pages\\report.htm", "C:\\Output\\report.txt", "-c TXT -Encoding UTF-8 -BOM 0 -log c:\\Logs\\htm.log");

例（PHP）：

$c = new COM("HTMLConverter.HTMLConverterX");
$c->convert("C:\\Pages\\report.htm", "C:\\Output\\report.txt", "-c TXT -Encoding UTF-8 -BOM 0 -log c:\\Logs\\htm.log");

同じ呼び出しがASP.NET、VBScript、Python、Ruby、Perl、JavaScript（Windows Script Host）でも動作します。サービスはHTMアップロードを受け取り、同じリクエスト内でクリーンなUnicodeテキストを呼び出し元に返すことができます。

オンラインコンバーター vs Total HTML Converter X

HTMからUnicodeテキストへのコマンドライン変換が必要な場面

• 検索インデックスへの供給。Elasticsearch、Solr、OpenSearch、Meilisearchはすべて、生のHTMよりもプレーンテキストを高速かつ正確にインデックス化します。夜間バッチで受信ページからマークアップを除去し、UTF-8をインデクサーの監視フォルダに格納します。
• NLPおよびLLMパイプライン。トークナイザー、文分割器、埋め込みモデルはプレーンテキストを取り込みます。生のHTMを送るとタグにコンテキストを浪費し、統計が壊れます。クリーンなUnicodeテキストを事前抽出すれば、モデルが入力を見る前に両方の問題が解決します。
• Webスクレイピング後処理。クローラーはページをHTMとして保存します。テキストマイニング段階では、ナビゲーションメニュー、スクリプト、フッターのボイラープレートをタグから取り除いた散文が必要です。コンバーターがマークアップ処理を担当し、スクリプトがコンテンツフィルタリングを担当します。
• リーガルホールドとeDiscovery。コンプライアンスチームはHTM通信を保存し、レビュー用にキーワード検索可能なテキストコピーを必要とします。プレーンUTF-8はあらゆるeDiscoveryプラットフォームが翻訳なしで取り込む形式です。
• アーカイブgrepと監査。HTMファイルのフォルダをgrepするとclass属性やJavaScript文字列内の一致が返されます。抽出されたTXTをgrepすれば、実際の散文内の一致のみが返されます — 監査人が望む答えです。

Total HTML Converter Xを選ぶ理由

本物のUnicode、ASCII近似ではなく

出力は本物のUTF-8またはUTF-16です。キリルはキリル、CJKはCJK、アラビアとヘブライは文字を論理順序で保持します。トランスリテレーション、文字の脱落、疑問符への置換はありません — HTMで読めたものはTXTでも読めます。

真のサーバーアプリケーション

Total HTML Converter Xは無人運用向けに構築されています。GUIウィンドウ、ダイアログボックス、確認プロンプトはありません。コマンドラインから、またはサービスの一部としてサイレントに実行されます — インデックスジョブ、NLPパイプライン、アーカイブワーカーに必要なものそのものです。

制御可能なエンコーディング

検索エンジン、NLPツールキット、レガシーシステムはそれぞれ異なるバイトシーケンスを期待します。コンバーターはエンコーディングとBOMをコマンドラインフラグとして公開しているため、Elasticsearch向けにBOMなしUTF-8、Windows専用ツール向けにBOM付きUTF-16 LE、Notepadベースのレビュアー向けにBOM付きUTF-8を、同じインストールから書き出せます。

TXTだけではない

同じコマンドラインツールでHTMをPDF、DOC、XLS、TIFF、JPEG、RTFなどに変換できます。1回のインストールでサーバー上のすべてのHTM抽出ニーズに対応します。-c TXTを-c PDFに変更するだけで、同じバッチ機能と自動化機能でアーカイブ用PDF出力が得られます。

Windows 7/8/10/11 • Server 2008/2012/2016/2019/2022

サーバー用 HTML コンバーター 顧客レビュー 2026

評価顧客レビューに基づく評価：4.7/5

string src  = @"C:\test\Source.html";
string dest = @"C:\test\Dest.pdf";

var cnv = new HTMLConverterX();
cnv.Convert(src, dest, "-cPDF -log c:\\test\\HTML.log");

if (!string.IsNullOrEmpty(cnv.ErrorMessage))
    throw new Exception(cnv.ErrorMessage);

public static class Function1
    {
        [FunctionName("Function1")]
        public static async Task Run(
            [HttpTrigger(AuthorizationLevel.Anonymous, "get", "post", Route = null)] HttpRequest req,
            ILogger log)
        {
            StringBuilder sbLogs = new StringBuilder();
            sbLogs.AppendLine("started...");
            try
            {
                ProcessStartInfo startInfo = new ProcessStartInfo();
                startInfo.CreateNoWindow = true;
                startInfo.UseShellExecute = false;
                var assemblyDirectoryPath = Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location);
                assemblyDirectoryPath = assemblyDirectoryPath.Substring(0, assemblyDirectoryPath.Length - 4);

                var executablePath = $@"{assemblyDirectoryPath}\Converter\HTMLConverterX.exe";
                sbLogs.AppendLine(executablePath + "...");
                var srcPath = $@"{assemblyDirectoryPath}\src\sample.html";
                var outPath = Path.GetTempFileName() + ".pdf";
                startInfo.FileName = executablePath;

                if (File.Exists(outPath))
                {
                    File.Delete(outPath);
                }

                if (File.Exists(executablePath) && File.Exists(srcPath))
                {
                    sbLogs.AppendLine("files exists...");
                }
                else
                    sbLogs.AppendLine("EXE & source files NOT exists...");
                startInfo.WindowStyle = ProcessWindowStyle.Hidden;
                startInfo.Arguments = $"\"{srcPath}\" \"{outPath}\" -cPDF";
                using (Process exeProcess = Process.Start(startInfo))
                {
                    sbLogs.AppendLine($"wait...{DateTime.Now.ToString()}");
                    exeProcess.WaitForExit();
                    sbLogs.AppendLine($"complete...{DateTime.Now.ToString()}");
                }
                sbLogs.AppendLine("Conversion complete.");
            }
            catch (Exception ex)
            {
                sbLogs.AppendLine(ex.ToString());
            }

            return new OkObjectResult(sbLogs);
        }
    }

dim C
Set C=CreateObject("HTMLConverter.HTMLConverterX")
C.Convert "c:\source.html", "c:\dest.jpg", "-cJPG -log c:\html.log"
C.Convert "https://www.coolutils.com/", "c:\URL Page.pdf", "-cPDF -log c:\html.log"
Response.Write C.ErrorMessage
set C = nothing

dim C
Set C=CreateObject("HTMLConverter.HTMLConverterX")
Response.Clear
Response.AddHeader "Content-Type", "binary/octet-stream"
Response.AddHeader "Content-Disposition", "attachment; filename=test.pdf"
Response.BinaryWrite C.ConvertToStream("C:\www\ASP\Source.html", "C:\www\ASP", "-cpdf -log c:\html.log")
set C = nothing

$src="C:\\test\\test.html";
$dest="C:\\test\\test.pdf";
if (file_exists($dest)) unlink($dest);
$c= new COM("HTMLConverter.HTMLConverterX");
$c->convert($src,$dest, "-cPDF -log c:\\HTML.log");
if (file_exists($dest)) echo "OK"; else echo "fail:".$c->ErrorMessage;

require 'win32ole'
c = WIN32OLE.new('HTMLConverter.HTMLConverterX')

src = "C:\\test\\test.html"
dest = "C:\\test\\test.pdf"

c.convert(src, dest, "-cPDF -log c:\\test\\HTML.log")

if not File.exist?(dest)
  puts c.ErrorMessage
end

import win32com.client
import os.path

c = win32com.client.Dispatch("HTMLConverter.HTMLConverterX")

src  = "C:\\test\\test.html"
dest = "C:\\test\\test.pdf"

c.convert(src, dest, "-cPDF -log c:\\test\\HTML.log")

if not os.path.exists(dest):
    print(c.ErrorMessage)

uses Dialogs, Vcl.OleAuto;

var
  c: OleVariant;
begin
  c := CreateOleObject('HTMLConverter.HTMLConverterX');
  c.Convert('c:\test\source.html', 'c:\test\dest.pdf', '-cPDF -log c:\test\HTML.log');
  if c.ErrorMessage <> '' then
    ShowMessage(c.ErrorMessage);
end;

var c = new ActiveXObject("HTMLConverter.HTMLConverterX");
c.Convert("C:\\test\\source.html", "C:\\test\\dest.pdf", "-cPDF");
if (c.ErrorMessage != "")
  alert(c.ErrorMessage)

use Win32::OLE;

my $src  = "C:\\test\\test.html";
my $dest = "C:\\test\\test.pdf";

my $c = CreateObject Win32::OLE 'HTMLConverter.HTMLConverterX';
$c->convert($src, $dest, "-cPDF -log c:\\test\\HTML.log");
print $c->ErrorMessage if -e $dest;