Convertir HTML a texto
Las páginas web guardadas, los boletines y los artículos de ayuda exportados son sobre todo marcado; las palabras que importan quedan enterradas entre etiquetas. Este convertidor quita el HTML y devuelve un archivo .txt limpio con solo el texto legible.
Convertidor de documentos
o suelte aquí archivos PDF, DOC, DOCX … ·
Máx. 95 MB por archivo· Hasta 20 archivos· Se borran a los 30 minutos
Los archivos se procesan en nuestros servidores y se borran a los 30 minutos.
A 150 DPI una página A4 queda en unos 1240 × 1754 px. Use 300 para imprimir.
Convierte el archivo completo o solo algunas páginas o diapositivas (entrada PDF y de presentaciones).
Páginas o diapositivas que se convierten, p. ej., 1-3, 5, 8-10.
UTF-8 funciona con cualquier idioma. Elija UTF-8 con BOM si Excel o el Bloc de notas de Windows muestran caracteres ilegibles; las codificaciones heredadas, solo para software antiguo.
LF para macOS, Linux y editores de código; CRLF para programas antiguos de Windows, como el Bloc de notas clásico.
La coma es el estándar. Use punto y coma para Excel en países que escriben los decimales con coma (Alemania, Francia, Brasil).
Entrada de Excel con varias hojas: convierte todas (una sección o un archivo por hoja) o solo la primera.
Cómo usar esta herramienta
- 1
Suba los archivos HTML
Agregue hasta 20 archivos .html o .htm de hasta 95 MB cada uno, por ejemplo páginas guardadas desde un navegador o exportadas de un CMS o de una herramienta de correo.
- 2
Elija codificación y finales de línea
Formato está en Solo texto, Codificación de texto en UTF-8 y Finales de línea en LF. Elija CRLF si el texto va a un programa antiguo de Windows.
- 3
Convierta y use el texto
Pulse Convertir a TXT y descargue un archivo de texto por página, o un ZIP con todo el lote.
¿Cuál es la forma más rápida de convertir HTML en texto sin formato?
Suba el archivo .html, deje Formato en Solo texto y pulse Convertir a TXT. Obtendrá un archivo de texto UTF-8 con el contenido legible y nada del marcado.
HTML a texto: cuándo el marcado estorba
Una página de artículo típica contiene mucho más marcado, scripts y estilos que prosa. En un navegador eso no importa; en cualquier otro sitio es un problema. Las memorias de traducción, los índices de búsqueda, las instrucciones para modelos de lenguaje, los scripts de análisis de texto y las revisiones de accesibilidad quieren las palabras, y cada etiqueta, estilo en línea o script de seguimiento que se cuela se vuelve ruido.
Copiar desde la ventana del navegador tampoco lo resuelve. Una selección arrastra menús y avisos de cookies, pierde los saltos de párrafo o mete formato invisible al pegar. Convertir el archivo HTML guardado es repetible, funciona con veinte páginas a la vez y da siempre el mismo resultado.
Si quiere que se mantenga algo de estructura, con títulos y listas marcados con # y -, elija Convertir HTML a Markdown. Para ir en sentido contrario y envolver texto sin formato en marcado, use Convertir TXT a HTML.
En qué se convierte cada parte de la página en el archivo TXT
| En el HTML | En el archivo de texto |
|---|---|
| Párrafos y títulos | Bloques de texto separados por líneas en blanco |
| Saltos de línea <br> | Saltos de línea |
| Elementos de lista | Un elemento por línea |
| Celdas de tabla | Texto de las celdas en orden de lectura, fila por fila |
| Enlaces | El texto del enlace, sin la dirección |
| Entidades &, é, | &, é y un espacio de no separación |
| <script>, <style>, comentarios | Se eliminan por completo |
| Imágenes | Se eliminan; las imágenes no tienen forma de texto |
HTML
HyperText Markup Language (HTML)
HTML es el lenguaje de marcado de la web, descrito por primera vez por Tim Berners-Lee a principios de la década de 1990 y mantenido hoy por el WHATWG como estándar vivo. Un archivo HTML describe encabezados, párrafos, enlaces, tablas, imágenes y formularios, mientras que el estilo suele provenir de CSS. Todos los navegadores lo representan, y también se usa para plantillas de correo electrónico y páginas web guardadas. Un archivo HTML suele depender de imágenes y hojas de estilo externas, por lo que puede verse incompleto si se mueve solo.
- Compresión
- –
- Transparencia
- –
- Animación
- –
- Presentado en
- 1993 · Tim Berners-Lee; maintained by WHATWG
TXT
Texto plano
Un archivo TXT contiene solo caracteres simples, sin formato, fuentes, imágenes ni diseño. Los archivos de texto modernos suelen estar codificados en UTF-8, que abarca todos los idiomas, aunque los archivos antiguos pueden usar otras codificaciones y mostrar caracteres ilegibles. El texto plano ocupa muy poco, nunca queda obsoleto y se abre en cualquier dispositivo, desde teléfonos hasta servidores. No puede contener negritas, tablas ni imágenes, por lo que la estructura debe expresarse con espacios o con marcado sencillo.
- Compresión
- –
- Transparencia
- –
- Animación
- –
- Presentado en
- –
El HTML se reduce a texto sin formato cuando solo importan las palabras: para pasar un artículo a una herramienta de análisis o traducción, armar un corpus de textos, redactar la parte de texto de un correo o contar palabras sin el marcado.
De 18 etiquetas a un estándar vivo
Cómo funciona la conversión de HTML a TXT
Lectura de la página
El archivo se analiza igual que lo hace un navegador, con el charset que declara la página.
Eliminación del marcado
Se quitan las etiquetas, los scripts, los estilos y los comentarios; las referencias de caracteres pasan a ser caracteres reales.
Escritura del texto
El texto legible se guarda en la Codificación de texto elegida y con los Finales de línea que usted indique.
Preguntas sobre convertir HTML a texto
¿Cómo se extrae el texto de un HTML sin que quede ninguna etiqueta?
Suba aquí el archivo con Formato en Solo texto. Se eliminan las etiquetas, los atributos, los scripts y las hojas de estilo, y las referencias de caracteres como & se convierten en el carácter que representan.
¿El convertidor de HTML a texto conserva las direcciones de los enlaces?
El texto visible del enlace se queda en la frase; la URL que hay detrás, no. Si necesita las direcciones, convierta con Convertir HTML a Markdown, que escribe los enlaces como [text](url).
¿Qué provoca los  o ’ en el texto copiado de una página web?
Es texto UTF-8 leído como Windows-1252, una confusión de codificación clásica. El convertidor lee el charset que declara la página y escribe UTF-8 limpio, así que las comillas tipográficas y los espacios de no separación salen como los caracteres reales.
¿Se pueden contar las palabras de una página web pasándola de HTML a TXT?
Sí. Convertir primero elimina el marcado, el código y el texto oculto de los scripts, que inflan un recuento en bruto. Borre del .txt las líneas de navegación que hayan quedado y péguelo en cualquier contador de palabras.
¿El texto sin formato sirve para la versión de texto de un boletín HTML?
Sí. Muchas plataformas de correo envían una parte en texto sin formato junto al HTML, y los clientes de correo que no pueden o no quieren mostrar HTML enseñan esa parte. Convierta el HTML del boletín y ajuste la longitud de las líneas antes de pegarlo en el campo de texto.