Pro koho to je · Evgeny K.

Tabulky, které převod přežijí

Clean Web Clipper si tabulky vypisuje sám místo obecného pluginu, protože právě na nich se převodníky lámou. Na měřeném korpusu tak zůstalo celých 12 tabulek z 15, proti 7 u každého porovnávaného nástroje, a rozvržovací mřížky se rozbalí místo reprodukce.

Data, která se cestou rozsypou

Čísla na webu bydlí v tabulkách a obecné převodníky z HTML do Markdownu se lámou přesně na těch, na kterých záleží: na buňce se seznamem, s odkazem nebo s krátkou ukázkou kódu. Výsledkem je řádek slepený do jedné buňky nebo mřížka posunutá o sloupec, takže hodnota patří k jinému období. Chyba se přitom pozná až v grafu, ne při ukládání.

Druhý zdroj šumu jsou tabulky, které tabulkami nejsou: mřížky použité jen na rozvržení stránky. Nástroj, který je poslušně reprodukuje, vyrobí v poznámce deset prázdných tabulek okolo jedné skutečné. Vyhledávání i další zpracování pak pracují s daty, do kterých se přimíchalo rozvržení webu.

Co se změní

• Vlastní serializace tabulek do GFM místo obecného pluginu
• Dvanáct tabulek z patnácti zachováno na technickém korpusu, proti sedmi u každého porovnávaného nástroje
• Buňka se seznamem nebo blokem kódu se zploští, ne zahodí – řádek zůstane celý
• Roztřepené dvousloupcové tabulky se mění na řádky Klíč: hodnota místo rozpadlé mřížky
• Rozvržovací tabulky – mřížky, které slouží jen k umístění prvků – se rozbalí, ne reprodukují
• Označíte tabulku na stránce a uloží se jen ona, bez zbytku článku

| Kód | Sekce CZ-NACE |
| --- | --- |
| A | Zemědělství, lesnictví a rybářství |
| B | Těžba a dobývání |
| C | Zpracovatelský průmysl |
| D | Výroba a rozvod elektřiny, plynu, tepla a klimatizovaného vzduchu |
| E | Zásobování vodou; činnosti související s odpady a sanacemi |

Co nedělá

Nevyrábí CSV ani XLSX – výstupem je tabulka v Markdownu, kterou si dál převedete sami. Sloučené buňky Markdown nezná, takže se zploští: obsah zůstane, vizuální sloučení ne. Grafy vykreslené jako obrázek nebo v plátně se nepřevedou na čísla, zůstane z nich odkaz na obrázek. A data z tabulek, které se dopočítávají až po interakci, uvidí jen tehdy, když je na stránce rozkliknete před uložením.

Otázky