Word para HTML limpo

O que a área de transferência realmente guarda

Quando você copia no Word, a área de transferência recebe várias versões da sua seleção ao mesmo tempo. Uma é texto simples. Outra é HTML, e é essa que o editor de um site pega quando você cola.

O HTML do Word descreve como a página aparecia na sua tela. Um único parágrafo chega assim:

<p class="MsoNormal" style="margin-bottom:8.0pt;line-height:107%">
  <span style="font-size:11.0pt;font-family:&quot;Calibri&quot;,sans-serif">Hello<o:p></o:p></span>
</p>

Além disso, vêm uma folha de estilo de várias centenas de linhas, comentários condicionais e tags do vocabulário próprio do Office. O Google Docs é mais curto, mas não mais limpo. Tudo fica dentro de um invólucro com um identificador docs-internal-guid, e o texto em negrito é um span com font-weight:700. Uma vez no site, esses estilos inline se sobrepõem ao design do próprio site, e é por isso que cada artigo colado fica um pouco diferente do anterior.

O que é mantido, convertido e descartado

Os títulos seguem uma regra. O resultado só usa os níveis 2 a 4, porque na maioria dos sites o título da página já ocupa o nível 1. Se o seu documento contém um Título 1 ou um Título, todos os títulos descem um nível. Qualquer coisa mais profunda que o nível 4 vira nível 4.

Um espaço não separável só sobrevive onde tem uma função: antes de ; : ! ? % ou de um símbolo de moeda, e entre um algarismo e o que vem depois dele. Todos os outros viram espaços comuns.

Como ler o resumo

Depois de colar, a primeira linha indica a origem que a ferramenta reconheceu pelas marcas no código (Word, Google Docs, LibreOffice ou outra coisa) e mostra o tamanho do código antes e depois. Uma redução de 80 a 95 por cento é normal para o Word.

Abaixo disso vêm as contagens de estilos inline e classes removidos e de falsas listas reconstruídas. Duas linhas pedem uma ação sua:

• Imagens removidas. Uma imagem colada do Word aponta para um arquivo temporário no seu próprio computador, e uma do Google Docs para um endereço que expira. Os seus visitantes não veriam nenhuma das duas. Envie a imagem pelo editor do seu site e escreva o texto alternativo dela ali.
• Parágrafos inteiramente em negrito. Um parágrafo curto (menos de 90 caracteres) em negrito do início ao fim geralmente é um título que alguém digitou como texto em negrito. A ferramenta não adivinha o nível por você. Transforme-o em um título de verdade para que os buscadores e os leitores de tela vejam a estrutura.

Duas formas de usar o resultado

Copiar para o editor

Coloca o conteúdo limpo na área de transferência como texto formatado. Cole-o no editor de blocos do WordPress e cada título, parágrafo, lista e tabela vira um bloco próprio. A maioria dos editores visuais lida com isso do mesmo jeito.

Código HTML

O código-fonte, indentado e legível. Use-o em um bloco HTML personalizado, na visualização de código de um serviço de newsletter ou em um template.

Se a área de transferência não tiver HTML nenhum, por exemplo um texto copiado de um terminal ou de um editor de texto simples, as linhas em branco viram quebras de parágrafo e as quebras de linha simples viram <br>.

O que se perde de propósito

Cores, realce, alinhamento, recuo, tamanhos de fonte e layouts em colunas são descartados. O mesmo vale para comentários e caixas de texto. Links para indicadores dentro do arquivo do Word, como referências de notas de rodapé e entradas de sumário, perdem o link e mantêm o texto. Bordas de tabela e larguras de coluna também vão embora, e é o seu site que decide a aparência das tabelas. A opção de tipografia é pensada para textos escritos em francês e deve ficar desligada para outros idiomas.