HTML a texto

HTML a texto: usos y recomendaciones

Convertir HTML a texto permite recuperar palabras de un fragmento de marcado para revisarlas o reutilizarlas sin sus etiquetas. La herramienta analiza la estructura en una plantilla inerte que nunca se inserta en la página visible. Los scripts no se ejecutan y los recursos externos del fragmento no se cargan. Esto permite trabajar con código copiado desde un editor sin convertirlo en una página activa. La salida se presenta en un campo de texto, por lo que caracteres que parezcan nuevas etiquetas permanecen como contenido y no vuelven a interpretarse como HTML.

Las entidades se decodifican durante el análisis. & se transforma en un signo &, y las referencias de caracteres pueden recuperar tildes o símbolos. Etiquetas de frase como strong o em mantienen su contenido sin añadir separaciones artificiales. Los párrafos y otros bloques generan saltos; br genera un salto de línea. Las celdas de tabla se separan mediante tabulaciones, pero no se reconstruye una tabla con anchos alineados ni se calculan combinaciones de celdas. El contenido de pre conserva sus saltos internos, aunque la limpieza de límites de línea puede modificar espacios alrededor de ellos.

Se excluyen scripts, estilos, comentarios y varias formas de contenido incrustado, incluidas plantillas internas, SVG y canvas. El texto de un enlace se conserva, pero su atributo href no se añade. Las imágenes no aportan automáticamente su texto alt. Tampoco se calculan estilos CSS: una etiqueta ocultada por una clase puede aportar texto, porque el fragmento no se representa visualmente. Por ello, el resultado no equivale a copiar exactamente lo que vería una persona al abrir la página original. Si necesitas esa coincidencia, compara la salida con la página correspondiente y revisa menús, elementos ocultos y contenidos generados mediante JavaScript.

El navegador puede corregir marcado incompleto o mal anidado siguiendo sus reglas de análisis. Esas correcciones influyen en la separación del texto, por lo que conviene revisar fragmentos con tablas o etiquetas sin cerrar. Un fragmento formado únicamente por imágenes o scripts puede producir una salida vacía válida. Se admiten hasta un millón de caracteres, cien niveles y cincuenta mil nodos para limitar trabajo y memoria. Guarda el texto antes de limpiar el campo. Si necesitas comparar dos versiones o contar palabras, continúa con esas herramientas usando una copia de la extracción, manteniendo el HTML original disponible para comprobar símbolos y estructura.