MHTML-Extraktor

Von einer Datei zurück zu vielen

Ein MHT-Archiv ist eine multipart/related-Nachricht: das HTML plus jedes Bild, jedes Stylesheet und jedes Skript, auf das die Seite verwies — alles in einer Datei. Dieses Werkzeug trennt sie wieder auf.

Jeder Teil wird mit MIME-Typ, Transferkodierung, deklariertem Zeichensatz, Content-Location, Content-ID und beiden Größen aufgeführt: der gespeicherten und der dekodierten. Die beiden Zahlen nebeneinander zeigen die Transferdekodierung bei der Arbeit: Ein Base64-Bild verliert etwa ein Viertel seines Umfangs, während sich ein quoted-printable-Textteil kaum ändert, sofern er nicht voller Umlaute oder langer Zeilen steckt.

Das ZIP ist ein funktionierender Ordner, kein Haufen Teile

Diesen Schritt lassen die meisten Extraktoren aus. Eine Nachricht in Dateien zu zerlegen ist einfach; etwas zu erzeugen, das sich wirklich öffnen lässt, ist der nützliche Teil.

• Das Wurzel-HTML wird als index.html geschrieben.
• Alles Übrige kommt unter assets/, benannt nach Content-Location oder Content-ID, entdoppelt und mit sinnvoller Endung, falls das Original keine hatte.
• Die src-, href- und CSS-url()-Verweise im HTML — die alle noch auf die ursprünglichen absoluten Webadressen zeigen — werden auf diese relativen Pfade umgeschrieben.

Entpacken, index.html doppelklicken, und die Seite erscheint mit ihren Bildern und ihrer Gestaltung. Genau darum extrahiert man sie.

Die Zuordnung der Verweise nutzt denselben Code wie der MHTML-Betrachter: cid:-Verweise, Content-Location-Treffer und relative Verweise, die gegen die Adresse der Seite selbst aufgelöst werden, verhalten sich in beiden Werkzeugen gleich.

Vorschauen und einzelne Downloads

Jeder Teil lässt sich an Ort und Stelle ansehen — Text mit seinem deklarierten Zeichensatz dekodiert, Bilder dargestellt — und einzeln herunterladen. Nichts wird neu kodiert: Ein Bild kommt mit exakt den Bytes heraus, die das Archiv gespeichert hatte.

Wenn das Archiv unvollständig ist

Verweise, die das Archiv nie gespeichert hat, werden gesondert aufgelistet. Im extrahierten HTML zeigen sie weiterhin auf ihre ursprünglichen Adressen, und hier holt sie niemand.

Datenschutz

Das Archiv wird im Browser geöffnet. Es wird nie hochgeladen, und für nichts, worauf es verweist, wird eine Netzwerkanfrage gestellt.