Conversor de HTML a Texto

Qué hace realmente la conversión de HTML a texto

Las páginas web, los correos y las exportaciones de un CMS no son texto plano. Son HTML: un árbol de etiquetas como p, div, span, a y strong envuelto alrededor de las palabras que de verdad te importan. Cuando copias ese código fuente o pegas un fragmento enriquecido, arrastras contigo estilos en línea, atributos de seguimiento y marcado estructural que estorban en cuanto quieres el contenido legible por sí solo. Convertir HTML a texto recorre ese árbol y conserva solo las palabras visibles, descartando cada etiqueta y atributo.

El objetivo no es solo borrar los corchetes angulares. Un buscar y reemplazar ingenuo de etiquetas aplastaría los párrafos unos contra otros y convertiría un artículo ordenado en un único muro continuo. Una conversión adecuada trata los elementos de bloque como párrafos, encabezados y elementos de lista como límites, insertando saltos de línea para que la salida se lea en el mismo orden lógico que seguiría una persona, mientras que los elementos en línea como la negrita y la cursiva simplemente desaparecen y dejan su texto detrás.

Qué conservas y qué pierdes

Por diseño, el texto plano no puede contener formato visual. La negrita, la cursiva, los tamaños de fuente, los colores y el diseño CSS se descartan todos porque no hay dónde alojarlos en un archivo de texto. Las tablas se colapsan en líneas secuenciales, y la estructura precisa de columnas no se conserva. Esto es lo esperado: estás cambiando presentación por portabilidad.

Los enlaces y las imágenes son el interesante punto intermedio. Activa Conservar enlaces para representar un ancla como [texto](url) de modo que el destino sobreviva en una forma legible, y activa Incluir texto alternativo de las imágenes para conservar el atributo alt descriptivo en lugar de descartar la imagen en silencio. Si prefieres una lectura más limpia, déjalos desactivados, o usa Ignorar imágenes e Ignorar etiquetas HR para suprimir por completo los marcadores de posición y las líneas horizontales.

Un ejemplo resuelto

Supón que pegas este fragmento: un párrafo que dice Visit our shop donde shop es un enlace a example.com, seguido de un segundo párrafo que contiene la entidad Tom & Jerry. Con Conservar enlaces y Decodificar entidades HTML activados, la salida se convierte en dos líneas limpias: Visit our [shop](https://example.com) en la primera línea y Tom & Jerry en la segunda. Las etiquetas p se convirtieron en saltos de línea, el ancla se reescribió en forma de corchetes y paréntesis, y & se decodificó de nuevo en un ampersand literal.

Por qué importan las entidades HTML

HTML escapa ciertos caracteres para que el navegador no los confunda con marcado. Un ampersand se escribe &amp;, un signo menor que es &lt;, un espacio de no separación es &nbsp;, y las comillas curvas a menudo aparecen como &#8220; y &#8221;. Si te saltas la decodificación, esas secuencias en bruto se filtran en tu texto y se ven rotas. Activa Decodificar entidades HTML y se convierten de nuevo en los caracteres reales que representan: &, <, un espacio normal y las comillas correctas. Este único ajuste es la solución más común para una salida que se ve casi bien pero está salpicada de códigos de ampersand sueltos.

Controlar los saltos de línea y el ajuste

Dos ajustes dan forma a cómo se presenta el resultado. Conservar saltos de línea mantiene los saltos implicados por los elementos de bloque para que los párrafos sigan separados, mientras que Conservar espacios en blanco retiene las series de espacios y la sangría que el HTML normalmente colapsaría, lo cual es útil cuando el espaciado original tiene significado, como en el código o en diseños ASCII.

Ajuste de línea establece un número máximo de caracteres por línea y reorganiza los párrafos largos para que encajen, lo cual es práctico para pegar en una terminal, un correo de ancho fijo o un README en texto plano. Ponlo a 0 para desactivar el ajuste por completo, de modo que cada párrafo quede en una sola línea larga, listo para un destino que haga su propio ajuste.

Casos de uso del mundo real

Recurre a esta herramienta siempre que un contenido enriquecido necesite convertirse en texto neutro. Entre los casos comunes están extraer texto limpio de una página web publicada para reutilizarlo o citarlo, sanear una exportación de un CMS o de un boletín antes de importarla a otro sitio, sacar el cuerpo legible de un correo HTML, preparar contenido para un recuento de palabras o una comprobación de legibilidad, y alimentar prosa limpia a una herramienta de traducción o a un script que espera entrada en texto plano en lugar de etiquetas.

También es una comprobación rápida de cordura durante el desarrollo. Convertir una plantilla representada a texto revela el orden de lectura real y expone contenido que está oculto visualmente por el CSS pero que sigue presente en el marcado, lo cual puede importar para las auditorías de accesibilidad y de SEO.

Errores comunes que conviene evitar

La mayor trampa es esperar que el diseño sobreviva. Si necesitas que se conserve la estructura de la tabla, la jerarquía de viñetas o el estilo, el texto plano es el destino equivocado. Convierte a Markdown o conserva el HTML en su lugar. Un segundo escollo es olvidar decodificar las entidades y luego preguntarse por qué la salida contiene &amp; por todas partes. Por último, recuerda que la conversión solo refleja lo que hay en el marcado que pegas: si una página construye su contenido con JavaScript después de cargar, el HTML en bruto que copias desde Ver código fuente puede estar casi vacío, así que copia en su lugar el DOM representado.