Ik haal offline HTML uit en maak het schoon in gestructureerde tekstbestanden txt MD jsonl

Ik zet je gedownloade/offline website export (HTTrack, SiteSucker, of vergelijkbaar) om in schone, leesbare tekstbestanden die geschikt zijn voor analyse, documentatiemigratie, zoekindexering of AI/RAG kennisbanken.

Wat je krijgt:

• Schone TXT (UTF-8) output (één bestand per HTML-pagina)
• Optioneel Markdown (MD) output
• Folderstructuur gespiegeld (georganiseerd zoals je export)
• Verwijdering van boilerplate (menu's, navigatie, kop- en voetteksten, zijbalken, herhaalde blokken)
• Detectie van hoofdinhoud (main/artikel of heuristische extractie)
• Verwerkingslog + eindrapport (verwerkt/geschreven/overgeslagen/mislukt)

Wat ik van jou nodig heb:

• Een ZIP-bestand met je offline site map (HTML-bestanden)
• Vertel me je voorkeur voor output: TXT / MD / JSONL
• Eventuele secties die je wilt uitsluiten (juridische pagina's, login, winkelwagen, etc.)

Belangrijke notities:

• Deze dienst werkt met offline HTML exports. Ik heb geen hostingtoegang nodig.
• Ik scrape geen live websites in deze dienst (alleen offline verwerking).
• Zorg dat je de rechten hebt om de content die je aanlevert te verwerken.

Wil je een RAG-klaar dataset, kies dan voor Premium (JSONL + metadata + dedupe).