Qu'est-ce que le HTML ? Histoire, analyse et DOM

Presque tout ce que vous voyez sur le web, y compris cette page, est écrit en HTML. Le HTML (HyperText Markup Language) n'est pas un langage de programmation mais un langage de balisage, qui décrit la structure d'un document : ceci est un titre, ceci un paragraphe, ceci un lien, ceci un tableau. Et le HTML ne sert pas qu'aux sites web. On le retrouve dans les modèles d'e-mails, la documentation d'aide, les rapports exportés et les documents « enregistrés en tant que page web ». Cet article présente l'histoire du HTML, la façon dont un navigateur le lit et l'affiche à l'écran, les problèmes courants et ce qu'il faut garder en tête pour convertir des fichiers HTML en Word ou en PDF.

Qu'est-ce que le HTML ?

Le HTML est un langage en texte brut qui balise le contenu à l'aide de balises. Les balises s'écrivent entre chevrons, et la plupart forment un élément avec une balise ouvrante et une balise fermante :

<!DOCTYPE html>
<html lang="fr">
  <head>
    <meta charset="utf-8">
    <title>Page d'exemple</title>
  </head>
  <body>
    <h1>Bonjour</h1>
    <p>Ce paragraphe contient un <a href="https://example.com">lien</a>.</p>
  </body>
</html>

La section <head> contient des informations sur la page (encodage des caractères, titre, feuilles de style), tandis que <body> contient le contenu visible. L'apparence est ajoutée avec le CSS, et le comportement avec JavaScript. Dans cette répartition, le HTML décrit ce qu'est le contenu, le CSS son apparence et JavaScript ce qu'il fait.

Un peu d'histoire

Le HTML est né dans le cadre du projet World Wide Web que Tim Berners-Lee a proposé au CERN en 1989. Son premier navigateur fonctionnait sur un ordinateur NeXT en 1990. Les toutes premières versions du langage étaient moins une norme formelle qu'une liste de balises documentées au CERN. Les grandes étapes depuis :

• Novembre 1995, HTML 2.0 : la RFC 1866, rédigée par Tim Berners-Lee et Dan Connolly, définit pour la première fois le HTML comme une norme formelle.
• Janvier 1997, HTML 3.2 : la version que le W3C adopte officiellement comme spécification commune à l'ensemble du secteur.
• 24 décembre 1999, HTML 4.01 : reste pendant des années la spécification de référence du web ; le W3C l'a officiellement déclarée remplacée le 27 mars 2018.
• 28 octobre 2014, HTML5 : le W3C publie HTML5 comme Recommandation. La vidéo, l'audio, les éléments de sectionnement sémantique et un algorithme d'analyse défini avec précision sont normalisés avec lui.
• 28 mai 2019, une norme unique : le W3C et le WHATWG, la communauté formée par les éditeurs de navigateurs, signent un protocole d'accord. Selon celui-ci, le HTML et le DOM sont principalement développés au WHATWG sous la forme d'un « Living Standard » sans numéro de version.

Aujourd'hui, « HTML5 » signifie donc en pratique « le HTML actuel » ; la spécification officielle est le HTML Living Standard, mis à jour en continu.

Quelle est sa diffusion ? Selon les statistiques de W3Techs du 15 octobre 2026, 97,8 % des sites web dont le langage de balisage est connu utilisent le HTML. La même source indique que 99,1 % des sites web dont l'encodage est connu utilisent l'UTF-8.

Comment un navigateur traite-t-il le HTML ?

Ce qui distingue le HTML des autres formats de documents, c'est que même des documents mal écrits sont interprétés de la même façon dans tous les navigateurs. Le HTML Living Standard définit pour cela un modèle d'analyse détaillé :

1. Détermination de l'encodage : le navigateur doit d'abord transformer les octets reçus en caractères. Il vérifie dans l'ordre la présence d'un BOM, l'encodage déclaré dans l'en-tête HTTP du serveur et une déclaration <meta charset> dans les 1024 premiers octets du document ; s'il ne trouve rien, il fait une estimation raisonnée.
2. Découpage en jetons (tokenisation) : un automate à états découpe le texte en jetons : balises ouvrantes, balises fermantes, commentaires, DOCTYPE et caractères.
3. Construction de l'arbre : les jetons sont traités selon des modes d'insertion comme « in body » ou « in table ». L'analyseur tient une pile des éléments ouverts et répare les balises mal imbriquées selon des règles définies.
4. Le DOM : le résultat est un arbre d'objets appelé Document Object Model (DOM). Le CSS s'applique à cet arbre, et JavaScript le lit et le modifie.

La spécification est claire : le traitement des erreurs d'analyse est bien défini. Si vous écrivez <div/>, par exemple, le HTML ignore la barre oblique finale, et les éléments suivants se retrouvent à l'intérieur de ce div. Un <p> non fermé est fermé automatiquement à l'arrivée de l'élément de bloc suivant. Cette tolérance permet au web de fonctionner malgré d'innombrables pages imparfaites, mais elle implique aussi que tout outil qui convertit du HTML en format de document doit suivre les mêmes règles.

Où utilise-t-on le HTML ?

• Sites et applications web : le squelette de chaque page web.
• E-mail : les e-mails mis en forme et les newsletters sont écrits en HTML.
• Documentation : pages d'aide, documentation logicielle et sites générés à partir de Markdown.
• Livres numériques : le format EPUB empaquette le contenu sous forme de documents XHTML.
• Rapports et exports : de nombreuses applications produisent leurs rapports en HTML, et la sortie « Enregistrer en tant que page web » de Word est elle aussi du HTML.

Points forts et points faibles

Quels programmes ouvrent le HTML ?

Tous les navigateurs, dont Chrome, Firefox, Safari et Edge, affichent le HTML. Pour modifier le code source, un éditeur de code comme Visual Studio Code ou n'importe quel éditeur de texte suffit. Microsoft Word et LibreOffice Writer peuvent ouvrir des fichiers HTML et les modifier comme des documents, même si les mises en page CSS complexes y sont simplifiées.

Problèmes courants et solutions

Les caractères spéciaux s'affichent mal

L'encodage de la page est absent ou incorrect. Ajoutez <meta charset="utf-8"> en haut du <head> et vérifiez que le fichier est bien enregistré en UTF-8. Si le serveur déclare un autre encodage, corrigez aussi l'en-tête HTTP.

Une page enregistrée n'a plus ni images ni styles

Les fichiers HTML chargent souvent leurs images et leur CSS depuis des fichiers séparés ou des adresses sur Internet. Si vous ne déplacez que le fichier .html, ces liens sont rompus. Utilisez l'option d'enregistrement « Page web complète » de votre navigateur ou incorporez les images dans le document.

La page se dégrade à l'impression

Les mises en page conçues pour l'écran ne tiennent pas toujours sur papier. Définir des règles @media print et fixer le format du papier et les marges avec @page en CSS améliore nettement le rendu imprimé.

Conseils pour convertir des fichiers HTML

Sur notre convertisseur, les fichiers HTML sont envoyés sur notre serveur et supprimés dans les 30 minutes. À la lecture du fichier, l'encodage est détecté à partir du BOM, puis de la déclaration <meta charset>, puis du contenu lui-même ; les anciennes pages qui ne sont pas en UTF-8 sont lues en Windows-1254 (page de codes turque). Le contenu du <body> et le bloc <style> de la page sont conservés, et les fragments HTML sans balise <body> sont traités tels quels.

• HTML en PDF s'exécute dans un moteur de navigateur : le CSS d'impression est appliqué, un format de page défini avec @page est respecté (A4 sinon) et les couleurs d'arrière-plan sont imprimées. Par sécurité, JavaScript n'est pas exécuté et les images, polices ou feuilles de style situées sur Internet ne sont pas téléchargées ; seules les ressources incorporées au document (URI data:) sont utilisées. Si vous voulez des images dans le résultat, incorporez-les dans le HTML.
• HTML en Word utilise LibreOffice pour transférer en DOCX les titres, les listes, les tableaux, l'alignement et les images incorporées. Les mises en page CSS complexes (flex, grid) n'ont pas d'équivalent dans Word et sont simplifiées.
• HTML en Markdown est idéal pour transférer une page web ou un article d'aide dans un dépôt de documentation : titres, mises en valeur, listes, tableaux, liens et blocs de code sont conservés, et les informations de style disparaissent.
• Dans l'autre sens, Word en HTML incorpore les images dans le fichier et produit un document HTML unique et autonome, avec son encodage déclaré, pour que les caractères accentués s'affichent correctement dans le navigateur.

Questions fréquentes

Le HTML est-il un langage de programmation ?

Non. Le HTML est un langage de balisage : il décrit la structure du contenu mais ne comporte ni boucles, ni conditions, ni calculs. On utilise JavaScript pour ajouter un comportement à une page.

Quelle différence entre HTML5 et HTML ?

HTML5 est le nom de la version majeure devenue Recommandation du W3C en 2014. Depuis 2019, le HTML est développé au WHATWG sans numéro de version, sous le nom de « HTML Living Standard ». En pratique, HTML5 et HTML désignent aujourd'hui la même chose.

Comment ouvrir un fichier HTML ?

Double-cliquez dessus : il s'ouvre dans votre navigateur par défaut. Pour voir le code source, ouvrez le fichier dans un éditeur de texte ou utilisez l'option « Afficher le code source de la page » de votre navigateur.

Pourquoi les images manquent-elles quand je convertis du HTML en PDF ?

Si les images sont chargées depuis une adresse Internet, notre convertisseur ne les télécharge pas, pour des raisons de sécurité. Incorporez les images dans le HTML sous forme d'URI data:, ou convertissez d'abord le document en Word et ajoutez-y les images.

Ouvrir un fichier HTML est-il sans danger ?

Le HTML peut contenir du JavaScript : soyez donc prudent avec les fichiers d'origine inconnue. Les pages HTML reçues en pièce jointe qui demandent un mot de passe sont une technique d'hameçonnage courante.

Sources

• WHATWG : HTML Living Standard, Parsing HTML documents
• Protocole d'accord W3C et WHATWG (28 mai 2019)
• Communiqué du W3C : Recommandation HTML5 (28 octobre 2014)
• W3C : HTML 4.01 Specification
• IETF RFC 1866 : Hypertext Markup Language - 2.0
• Dave Raggett : A history of HTML
• W3Techs : Usage statistics of markup languages for websites