HTML a texto
Obtenga solo las palabras de un fragmento de HTML: en el ejemplo, un título, una regla de estilo en rojo, un párrafo y un script vuelven como Titulo Hola mundo, sin rastro del estilo ni del script. Gratis en su navegador.
- Gratis
- Funciona en su navegador
- Sin registro
- Sus datos no salen de su equipo
Ejecutar — gratis
El HTML sin procesar está lleno de marcado que ningún índice de búsqueda, resumidor o lector humano pidió.
Por qué quitar etiquetas es más difícil de lo que parece
El HTML sin procesar está lleno de marcado que ningún buscador, resumidor ni lector pidió. Borrar sin más todo lo que va entre ángulos deja dentro el contenido de los scripts y de las reglas de estilo, mezclado con el texto como si fueran palabras, y además pega palabras de etiquetas vecinas. Esta herramienta elimina los bloques de script y de estilo junto con todo lo que contienen, sustituye cada etiqueta restante por un espacio, convierte el espacio de no separación en uno normal y reduce los espacios seguidos. En el ejemplo desaparecen la regla de color y la alerta, y queda Titulo Hola mundo.
Dónde sirve el texto limpio y qué esperar
El texto limpio es lo que debe indexar un buscador interno, para que las coincidencias caigan en contenido real y no en marcado. También es lo que conviene dar a un modelo de lenguaje, sin palabras desperdiciadas, lo que lleva un resumen por correo en texto plano o lo que compara una herramienta que vigila los cambios de una página, sin falsas alarmas cuando solo cambió el marcado. Espere una única tira de texto continuo: títulos, párrafos y elementos de lista se suceden separados por espacios, sin maquetación. Si necesita que títulos y listas sigan siendo reconocibles, le conviene más una conversión a Markdown.
La estructura sobrevive, las etiquetas no
La diferencia entre una buena extracción y un simple recorte está en qué pasa con la estructura: un título debe seguir empezando su propia línea, una lista con viñetas debe seguir leyéndose como lista, y una fila de tabla no debería colapsar en una sola oración sin espacios entre celdas.
El HTML nunca fue pensado para cargar significado más allá del diseño visual; es un lenguaje de presentación heredado de los primeros años de la web, y los navegadores llevan treinta años siendo tolerantes con marcado mal formado, precisamente la razón por la que un analizador real resuelve casos límite que un reemplazo de texto no puede resolver.
Qué puede hacer con ella
Alimentar un índice de búsqueda
Una herramienta de búsqueda de sitio convierte las páginas HTML rastreadas a texto limpio antes de indexarlas, para que las coincidencias caigan sobre contenido real y no sobre restos de marcado.
Preparar contexto para un modelo de lenguaje
Un flujo de recuperación quita el HTML de las páginas obtenidas para que solo el texto legible entre en la ventana de contexto del modelo, reduciendo tokens desperdiciados.
Resúmenes de correo en texto plano
Un agregador de boletines convierte cada artículo en HTML a texto para armar un correo de resumen liviano en texto plano sin maquetación rota.
Comparar contenido a lo largo del tiempo
Una herramienta de monitoreo extrae el texto de una página en cada rastreo y compara ese texto plano, evitando falsos positivos por cambios cosméticos en el marcado.
Preguntas frecuentes
¿Conserva la estructura de párrafos y listas?
Sí, los saltos de párrafo y los elementos de lista quedan en líneas separadas en vez de aplastarse en un solo bloque de texto.
¿También quita etiquetas de script y estilo?
Sí, las etiquetas de script, estilo y otros elementos no visibles se eliminan junto con su contenido, dejando solo texto legible.
¿Puedo usar esto para limpiar páginas raspadas antes de indexarlas?
Sí, es uno de sus usos más comunes: quitar el marcado antes de indexar evita coincidencias falsas sobre código de diseño.
¿Se guarda mi HTML después de procesarlo?
No, el HTML enviado y el texto extraído se eliminan después del período de retención y nunca se usan para entrenamiento.
¿Se pegan las palabras de etiquetas vecinas?
No. Cada etiqueta eliminada deja un espacio en su lugar y los espacios seguidos se reducen a uno, así que un título seguido de un párrafo se lee Titulo Hola mundo y no TituloHola mundo.
Herramientas relacionadas
Para desarrolladores — acceso por API
Todo lo de esta página está disponible por programación. Esta sección es para equipos que quieren integrarlo en sus sistemas; el resto puede usar la herramienta de arriba sin más.
Endpoint de API
¿Prefiere automatizarlo? Un POST autenticado crea la tarea; el resultado llega por webhook o enlace firmado. La misma capacidad también se ejecuta aquí en la web, por email y desde Telegram — y pronto también desde nuestra app.
Llámela desde su stack
curl -X POST https://api.kit.forhosting.com/data/html-to-text \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"html":"<p>Hola <b>mundo</b></p>"}'const res = await fetch("https://api.kit.forhosting.com/data/html-to-text", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"html": "<p>Hola <b>mundo</b></p>"
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/data/html-to-text",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"html": "<p>Hola <b>mundo</b></p>"
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/data/html-to-text", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"html":"<p>Hola <b>mundo</b></p>"}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"html":"<p>Hola <b>mundo</b></p>"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/data/html-to-text", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Ejemplo de solicitud
{
"html": "<p>Hola <b>mundo</b></p>"
}Ejemplo de respuesta
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "data.html_to_text",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}La API es asíncrona: la llamada devuelve un task_id al instante y el resultado llega por webhook. El polling está limitado a 1 req/s por tarea.
Precio
Precio publicado — sin tokens ni créditos inventados. Una tarea fallida no se cobra.
Límites
max_mb | 25 |
Errores
| HTTP | Código | Significado |
|---|---|---|
401 | unauthorized | API key ausente o inválida. |
402 | insufficient_balance | El saldo no cubre el precio de la tarea. |
404 | unknown_type | El tipo de tarea no existe. |
429 | rate_limited | Demasiadas peticiones. Use el webhook en vez de sondear. |
Notas técnicas
Este endpoint extrae las palabras reales de las etiquetas, conservando los saltos de párrafo y el orden de las listas en vez de entregar un bloque de texto plano y desordenado.
El marcado es ruido para la mayoría de los procesos posteriores
Una página raspada, un boletín guardado o una exportación de un gestor de contenidos comparten el mismo problema: las palabras que interesan están envueltas en una sopa de divs, estilos en línea, etiquetas de script y atributos que no significan nada para un modelo de lenguaje, un índice de búsqueda o un resumen en texto plano. Quitar etiquetas con una expresión regular rápida se rompe en cuanto un bloque de script o un comentario contiene un signo de mayor o menor suelto, y aplasta títulos y elementos de lista en una sola línea ilegible. data.html_to_text analiza el documento en vez de buscar patrones sobre él, así que el resultado se lee como lo leería una persona que revisa la página.
Qué hace la solicitud
Envíe POST a /data/html-to-text con el código HTML de origen, y la respuesta es un task_id mientras la extracción corre en segundo plano. El resultado final en texto plano, con los saltos de párrafo conservados y cada elemento de lista en su propia línea, llega mediante una llamada de webhook firmada o queda disponible en un enlace firmado válido por 24 horas.
Dónde encaja en la automatización
La indexación de búsqueda, los flujos de recuperación que alimentan a un modelo de lenguaje, los generadores de resúmenes por correo y las herramientas de comparación de contenido a lo largo del tiempo quieren texto limpio, no marcado, y ninguno debería mantener su propio analizador de HTML solo para conseguirlo. Como la tarea se cobra por solicitud y nunca se cobra si falla, un rastreador puede pasar cada página capturada por este endpoint sin presupuestar llamadas desperdiciadas, y el diseño asíncrono hace que un lote de diez mil páginas se convierta simplemente en diez mil entregas de webhook llegando a su propio ritmo en vez de un script esperando página por página.
Preguntas técnicas
¿Cómo convierto HTML a texto con la API?
Envíe su HTML por POST a /data/html-to-text, guarde el task_id devuelto y reciba el texto plano por webhook o mediante un enlace firmado válido por 24 horas.
¿Es gratis la API HTML a texto?
No, no hay plan gratuito ni prueba; cuesta $0.002 por solicitud, y una extracción fallida nunca se cobra.
¿Puedo procesar HTML por lote?
Sí, envíe una tarea asíncrona por documento y reciba cada resultado por webhook a medida que termine, algo ideal para lotes grandes de rastreo.
¿Ya está disponible este endpoint?
Sí, data.html_to_text está en producción y acepta solicitudes ahora mismo.