Tirando HTML limpo de um documento do Google

É isto que pega as pessoas primeiro: Fazer download → Página da Web no menu do documento dá um zip com um documento HTML completo e uma folha de estilos embutida — a página inteira, estilos e tudo.

O que você quer é a área de transferência. Selecionar conteúdo num documento e copiar coloca ali uma versão HTML com formatação, e essa versão leva a estrutura sem a folha de estilos.

O HTML da área de transferência do Google põe uma classe em quase todo elemento — c0, c1, c17, e nomes lst-kix_ nos itens de lista. São gerados por documento e se referem a um CSS que fica para trás no documento.

Então não são só ruído. São referências mortas: não fazem nada na sua página, colidem com nomes de classe seus, e deixam o markup ilegível quando você vai editar.

São removidos por padrão: c seguido de dígitos, qualquer coisa que comece com lst-kix_, os ids docs-internal-guid. Classes suas que estejam na colagem ficam intactas.

O Docs embrulha o conteúdo copiado num <b style="font-weight:normal">. É uma tag <b> que desliga o negrito explicitamente — uma peculiaridade de como o editor controla a formatação por dentro.

Cole isso em qualquer lugar onde o atributo style seja removido, que é a maioria dos CMSs, e o bloco inteiro fica em negrito. Aqui a tag é desembrulhada em vez de mantida, então o conteúdo sai no nível de aninhamento em que ele devia estar desde o começo.

A mesma passada remove os <span> vazios que sobram depois que os nomes de classe saem. São eles que fazem uma colagem de dois parágrafos ter doze linhas.

Os links de um documento saem apontando para google.com/url?q=https://example.com/… em vez de para o destino. O Google usa isso para contar cliques dentro do editor.

Publicado numa página, isso quer dizer que todo link externo do seu site passa pelo Google, mostra a URL errada na barra de status, e quebra no dia em que aquele redirecionador mudar.

O invólucro é desfeito de volta até o destino real, repetidamente se estiver aninhado. Parâmetros de rastreamento vão também — utm_source e companhia, gclid, fbclid, e mais alguns.

Títulos, parágrafos, listas, tabelas, links, negrito e itálico — o documento, em outras palavras. Scripts, manipuladores de eventos e estilos inline vão embora, porque HTML de área de transferência pode vir de qualquer página da web e é tratado como entrada não confiável.

Duas coisas que o limpador deixa para você. Os parágrafos vazios de espaçamento do Google chegam como <p></p>, então apague os que não quiser. E as imagens do Docs ficam em servidores do Google com URLs que expiram — baixe e hospede você mesmo, ou elas vão desaparecer da sua página mais adiante.