Extrator MHTML

De um arquivo de volta para muitos

Um arquivo MHT é uma mensagem multipart/related: o HTML mais todas as imagens, folhas de estilo e scripts a que a página se referia, tudo num único arquivo. Esta ferramenta separa tudo de novo.

Cada parte é listada com seu tipo MIME, codificação de transferência, charset declarado, Content-Location, Content-ID e os dois tamanhos: o armazenado e o decodificado. Esses dois números lado a lado mostram a decodificação em ação: uma imagem em base64 perde cerca de um quarto do volume, enquanto uma parte de texto em quoted-printable quase não muda, a menos que esteja cheia de caracteres acentuados ou linhas longas.

O ZIP é uma pasta que funciona, não um monte de pedaços

Essa é a parte que quase todo extrator pula. Dividir uma mensagem em arquivos é fácil; produzir algo que você consiga abrir é o que interessa.

• O HTML raiz é gravado como index.html.
• Todo o resto vai para assets/, com nome tirado do Content-Location ou do Content-ID, sem duplicados e com uma extensão sensata se o original não tinha nenhuma.
• As referências src, href e url() de CSS do HTML — que continuam apontando para os endereços web absolutos originais — são reescritas para esses caminhos relativos.

Descompacte o resultado, dê dois cliques em index.html e a página aparece com suas imagens e seu estilo. É exatamente para isso que se extrai.

O casamento das referências usa o mesmo código do visualizador MHTML, então referências cid:, correspondências por Content-Location e referências relativas resolvidas contra o endereço da própria página se comportam igual nas duas ferramentas.

Pré-visualizações e downloads avulsos

Qualquer parte pode ser pré-visualizada no lugar — texto decodificado com o charset declarado, imagens renderizadas — e baixada sozinha. Nada é recodificado: uma imagem sai exatamente com os bytes que o arquivo guardava.

Quando o arquivo está incompleto

As referências que o arquivo nunca guardou são listadas à parte. No HTML extraído elas continuam apontando para os endereços originais, e nada aqui as busca.

Privacidade

O arquivo é aberto no seu navegador. Nunca é enviado, e nenhuma requisição de rede é feita por nada a que ele se refira.