HTML 转 ORC
将 HyperText Markup Language(.html)文件转换为 Optimized Row Columnar(.orc)格式。
源文件 HyperText Markup Language:HTML(超文本标记语言)是构成万维网的标记语言,用标签体系描述页面的标题、段落、链接、图片、表单与语义结构,由浏览器渲染为可视化网页。它与 CSS(样式)、JavaScript(交互)并列为前端三大基石,任何联网设备的浏览器都能打开。转换为 Markdown 便于写作与版本管理,转 PDF 用于存档打印,纯文本提取(TXT)则面向数据采集与全文检索。
目标格式 Optimized Row Columnar:ORC(Optimized Row Columnar)是 Apache Hive 生态的列式存储格式,针对 Hadoop 大数据场景深度优化:谓词下推、轻量压缩、ACID 事务支持与向量化执行,是 Hive 数仓表的首选存储。转换为 Parquet 可跨 Spark/Impala 生态,转 CSV/JSON 便于小规模分析,转 Feather 供 Python 快速读取。
1选择源格式文件
支持格式:.HTML
2目标格式
.html .orc
大文件或复杂格式转换可能需要 1-2 分钟,转换完成后自动下载。请勿关闭或刷新页面。