HTML क्या है? इतिहास, पार्सिंग और DOM

वेब पर आप जो कुछ देखते हैं, यह पेज भी, लगभग सब HTML में लिखा है। HTML (HyperText Markup Language) कोई प्रोग्रामिंग भाषा नहीं, बल्कि एक मार्कअप भाषा है जो डॉक्यूमेंट की संरचना बताती है: यह हेडिंग है, यह पैराग्राफ़ है, यह लिंक है, यह टेबल है। और HTML केवल वेबसाइटों के लिए नहीं है। यह ईमेल टेम्पलेट, हेल्प डॉक्यूमेंटेशन, एक्सपोर्ट की गई रिपोर्ट और "वेब पेज के रूप में सेव" किए गए डॉक्यूमेंट में भी मिलता है। यह लेख HTML का इतिहास, ब्राउज़र इसे कैसे पढ़कर स्क्रीन पर बनाता है, आम समस्याएँ, और HTML फ़ाइलों को Word या PDF में बदलते समय ध्यान रखने वाली बातें समझाता है।

HTML क्या है?

HTML एक सादे टेक्स्ट वाली भाषा है जो सामग्री को टैग से चिह्नित करती है। टैग एंगल ब्रैकेट के बीच लिखे जाते हैं, और ज़्यादातर टैग एक खुलने और एक बंद होने वाले टैग से मिलकर एक एलिमेंट बनाते हैं:

<!DOCTYPE html>
<html lang="hi">
  <head>
    <meta charset="utf-8">
    <title>नमूना पेज</title>
  </head>
  <body>
    <h1>नमस्ते</h1>
    <p>इस पैराग्राफ़ में एक <a href="https://example.com">लिंक</a> है।</p>
  </body>
</html>

<head> हिस्सा पेज के बारे में जानकारी रखता है (कैरेक्टर एन्कोडिंग, शीर्षक, स्टाइलशीट), जबकि <body> में दिखने वाली सामग्री होती है। रूप-रंग CSS से और व्यवहार JavaScript से जोड़ा जाता है। इस बँटवारे में HTML बताता है कि सामग्री क्या है, CSS बताता है कि वह कैसी दिखे और JavaScript बताता है कि वह क्या करे।

संक्षिप्त इतिहास

HTML उस World Wide Web प्रोजेक्ट के हिस्से के रूप में जन्मा, जिसका प्रस्ताव Tim Berners-Lee ने 1989 में CERN में रखा था। उनका पहला ब्राउज़र 1990 में एक NeXT कंप्यूटर पर चला। भाषा के शुरुआती संस्करण औपचारिक मानक कम और CERN में दर्ज टैगों की सूची ज़्यादा थे। तब से अब तक के अहम पड़ाव:

• नवंबर 1995, HTML 2.0: Tim Berners-Lee और Dan Connolly के लिखे RFC 1866 ने पहली बार HTML को एक औपचारिक मानक के रूप में परिभाषित किया।
• जनवरी 1997, HTML 3.2: वह संस्करण जिसे W3C ने पूरे उद्योग के स्पेसिफ़िकेशन के रूप में औपचारिक मान्यता दी।
• 24 दिसंबर 1999, HTML 4.01: बरसों तक वेब का मुख्य स्पेसिफ़िकेशन रहा; W3C ने 27 मार्च 2018 को इसे औपचारिक रूप से प्रतिस्थापित घोषित किया।
• 28 अक्टूबर 2014, HTML5: W3C ने HTML5 को Recommendation के रूप में प्रकाशित किया। वीडियो, ऑडियो, अर्थपूर्ण सेक्शन एलिमेंट और बारीकी से परिभाषित पार्सिंग एल्गोरिदम इसी के साथ मानक बने।
• 28 मई 2019, एक ही मानक: W3C और ब्राउज़र निर्माताओं के बनाए समुदाय WHATWG ने एक समझौता ज्ञापन पर हस्ताक्षर किए। इसके तहत HTML और DOM मुख्य रूप से WHATWG में, बिना संस्करण संख्या वाले "Living Standard" के रूप में विकसित होते हैं।

यानी आज "HTML5" का असल मतलब "मौजूदा HTML" है; आधिकारिक स्पेसिफ़िकेशन लगातार अपडेट होने वाला HTML Living Standard है।

यह कितना व्यापक है? 15 अक्टूबर 2026 के W3Techs आँकड़ों के अनुसार जिन वेबसाइटों की मार्कअप भाषा ज्ञात है, उनमें से 97.8% HTML इस्तेमाल करती हैं। यही स्रोत बताता है कि जिन वेबसाइटों की कैरेक्टर एन्कोडिंग ज्ञात है, उनमें से 99.1% UTF-8 इस्तेमाल करती हैं।

ब्राउज़र HTML को कैसे प्रोसेस करता है?

HTML को दूसरे डॉक्यूमेंट फ़ॉर्मैट से अलग बनाने वाली बात यह है कि ख़राब लिखे डॉक्यूमेंट भी हर ब्राउज़र में एक ही तरह समझे जाते हैं। HTML Living Standard इसके लिए एक विस्तृत पार्सिंग मॉडल तय करता है:

1. एन्कोडिंग तय करना: ब्राउज़र को पहले आने वाले बाइट्स को अक्षरों में बदलना होता है। वह क्रम से BOM, सर्वर के HTTP हेडर में घोषित एन्कोडिंग और डॉक्यूमेंट के पहले 1024 बाइट्स में <meta charset> घोषणा देखता है; अगर कुछ न मिले, तो सोच-समझकर अंदाज़ा लगाता है।
2. टोकनाइज़ेशन: एक स्टेट मशीन टेक्स्ट को स्टार्ट टैग, एंड टैग, कमेंट, DOCTYPE और अक्षरों जैसे टोकन में बाँटती है।
3. ट्री बनाना: टोकन "in body" या "in table" जैसे इंसर्शन मोड के हिसाब से प्रोसेस होते हैं। पार्सर खुले एलिमेंट का एक स्टैक रखता है और ग़लत क्रम में लगे टैगों को तय नियमों से ठीक करता है।
4. DOM: नतीजा ऑब्जेक्ट्स का एक ट्री होता है, जिसे Document Object Model (DOM) कहते हैं। CSS इसी ट्री पर लागू होती है, और JavaScript इसे पढ़ती और बदलती है।

स्पेसिफ़िकेशन साफ़ कहता है कि पार्स त्रुटियों को संभालने का तरीक़ा अच्छी तरह परिभाषित है। उदाहरण के लिए, <div/> लिखें, तो HTML आख़िरी स्लैश को नज़रअंदाज़ कर देता है, और बाद के एलिमेंट उसी div के अंदर चले जाते हैं। बंद न किया गया <p> अगला ब्लॉक एलिमेंट आते ही अपने-आप बंद हो जाता है। यही सहनशीलता अनगिनत अधूरे पेजों के बावजूद वेब को चलाए रखती है, लेकिन इसका मतलब यह भी है कि HTML को डॉक्यूमेंट फ़ॉर्मैट में बदलने वाले हर टूल को यही नियम मानने पड़ते हैं।

HTML कहाँ इस्तेमाल होता है?

• वेबसाइट और वेब ऐप: हर वेब पेज का ढाँचा।
• ईमेल: फ़ॉर्मैट किए ईमेल और न्यूज़लेटर HTML में लिखे जाते हैं।
• डॉक्यूमेंटेशन: हेल्प पेज, सॉफ़्टवेयर डॉक्यूमेंटेशन और Markdown से बनी साइटें।
• ई-बुक: EPUB फ़ॉर्मैट सामग्री को XHTML डॉक्यूमेंट के रूप में पैक करता है।
• रिपोर्ट और एक्सपोर्ट: कई ऐप्लिकेशन रिपोर्ट HTML में बनाते हैं, और Word का "Save as Web Page" आउटपुट भी HTML ही है।

खूबियाँ और कमज़ोरियाँ

कौन-से प्रोग्राम HTML खोलते हैं?

Chrome, Firefox, Safari और Edge समेत हर ब्राउज़र HTML दिखाता है। सोर्स एडिट करने के लिए Visual Studio Code जैसा कोड एडिटर या कोई भी टेक्स्ट एडिटर काफ़ी है। Microsoft Word और LibreOffice Writer, HTML फ़ाइलें खोलकर उन्हें डॉक्यूमेंट की तरह एडिट कर सकते हैं, हालाँकि जटिल CSS लेआउट वहाँ सरल हो जाते हैं।

आम समस्याएँ और उनके हल

विशेष अक्षर बिगड़े हुए दिखते हैं

पेज की एन्कोडिंग ग़ायब या ग़लत है। <head> की शुरुआत के पास <meta charset="utf-8"> जोड़ें और पक्का करें कि फ़ाइल सचमुच UTF-8 में सेव है। अगर सर्वर कोई दूसरी एन्कोडिंग घोषित करता है, तो HTTP हेडर भी ठीक करें।

सेव किए पेज में इमेज या स्टाइल नहीं हैं

HTML फ़ाइलें अक्सर इमेज और CSS अलग फ़ाइलों से या इंटरनेट के पतों से लेती हैं। केवल .html फ़ाइल ले जाएँ, तो ये लिंक टूट जाते हैं। अपने ब्राउज़र का "Web page, complete" सेव विकल्प इस्तेमाल करें या इमेज को डॉक्यूमेंट में एम्बेड करें।

प्रिंट करने पर पेज बिगड़ जाता है

स्क्रीन के लिए बने लेआउट काग़ज़ पर फ़िट नहीं हो सकते। CSS में @media print नियम तय करने और @page से काग़ज़ का साइज़ और मार्जिन सेट करने से प्रिंट आउटपुट काफ़ी बेहतर होता है।

HTML फ़ाइलें कन्वर्ट करने के टिप्स

हमारे कन्वर्टर पर HTML फ़ाइलें हमारे सर्वर पर अपलोड होती हैं और 30 मिनट के भीतर हटा दी जाती हैं। फ़ाइल पढ़ते समय एन्कोडिंग पहले BOM से, फिर <meta charset> घोषणा से, फिर सामग्री से ही पहचानी जाती है; UTF-8 में न लिखे पुराने तुर्की पेज Windows-1254 के रूप में पढ़े जाते हैं। डॉक्यूमेंट की <body> सामग्री और पेज का <style> ब्लॉक बनाए रखे जाते हैं, और <body> टैग के बिना वाले HTML टुकड़े जैसे हैं वैसे ही प्रोसेस होते हैं।

• HTML से PDF एक ब्राउज़र इंजन में चलता है: प्रिंट CSS लागू होती है, @page से तय पेज साइज़ माना जाता है (वरना A4), और बैकग्राउंड रंग प्रिंट होते हैं। सुरक्षा के लिए JavaScript नहीं चलाई जाती और इंटरनेट पर मौजूद इमेज, फ़ॉन्ट या स्टाइलशीट डाउनलोड नहीं की जातीं; केवल डॉक्यूमेंट में एम्बेड किए संसाधन (data: URI) इस्तेमाल होते हैं। अगर आपको आउटपुट में इमेज चाहिए, तो उन्हें HTML में एम्बेड करें।
• HTML से Word हेडिंग, सूचियाँ, टेबल, अलाइनमेंट और एम्बेड की गई इमेज को DOCX में ले जाने के लिए LibreOffice इस्तेमाल करता है। जटिल CSS लेआउट (flex, grid) का Word में कोई जोड़ नहीं है, इसलिए वे सरल हो जाते हैं।
• HTML से Markdown किसी वेब पेज या हेल्प लेख को डॉक्यूमेंटेशन रिपॉज़िटरी में ले जाने के लिए आदर्श है: हेडिंग, ज़ोर, सूचियाँ, टेबल, लिंक और कोड ब्लॉक बने रहते हैं, और स्टाइल की जानकारी हट जाती है।
• उलटी दिशा में Word से HTML इमेज को फ़ाइल के अंदर एम्बेड करता है और कैरेक्टर एन्कोडिंग घोषित किया हुआ एक ही, आत्मनिर्भर HTML डॉक्यूमेंट बनाता है, ताकि विशेष अक्षर ब्राउज़र में सही दिखें।

अक्सर पूछे जाने वाले सवाल

क्या HTML एक प्रोग्रामिंग भाषा है?

नहीं। HTML एक मार्कअप भाषा है: यह सामग्री की संरचना बताती है, लेकिन इसमें लूप, शर्तें या गणनाएँ नहीं होतीं। पेज में व्यवहार जोड़ने के लिए JavaScript इस्तेमाल होती है।

HTML5 और HTML में क्या अंतर है?

HTML5 उस बड़े संस्करण का नाम है जो 2014 में W3C Recommendation बना। 2019 से HTML, WHATWG में बिना संस्करण संख्या के "HTML Living Standard" के रूप में विकसित होता है। व्यवहार में आज HTML5 और HTML का मतलब एक ही है।

HTML फ़ाइल कैसे खोलें?

उस पर डबल-क्लिक करें, वह आपके डिफ़ॉल्ट ब्राउज़र में खुल जाएगी। सोर्स कोड देखने के लिए फ़ाइल को टेक्स्ट एडिटर में खोलें या ब्राउज़र का "View page source" विकल्प इस्तेमाल करें।

HTML को PDF में बदलने पर इमेज क्यों ग़ायब हो जाती हैं?

अगर इमेज किसी इंटरनेट पते से लोड होती हैं, तो हमारा कन्वर्टर सुरक्षा कारणों से उन्हें डाउनलोड नहीं करता। इमेज को HTML में data: URI के रूप में एम्बेड करें, या डॉक्यूमेंट को पहले Word में बदलकर इमेज वहाँ जोड़ें।

क्या HTML फ़ाइल खोलना सुरक्षित है?

HTML में JavaScript हो सकती है, इसलिए अनजान स्रोतों की फ़ाइलों से सावधान रहें। ईमेल अटैचमेंट के रूप में आने वाले और पासवर्ड माँगने वाले HTML पेज फ़िशिंग का एक आम तरीक़ा हैं।

स्रोत

• WHATWG: HTML Living Standard, Parsing HTML documents
• W3C और WHATWG समझौता ज्ञापन (28 मई 2019)
• W3C प्रेस विज्ञप्ति: HTML5 Recommendation (28 अक्टूबर 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