Guia · DOCX → HTML
O que sobrevive quando o Word vira HTML
«Manter a formatação» quer dizer duas coisas diferentes, e qual delas você quer decide se você vai gostar do resultado.
A estrutura — títulos, listas, tabelas, ênfase — chega. A aparência — fontes, cores, margens, quebras de página — não, e isso é uma escolha deliberada, não um recurso faltando.
A estrutura sobrevive, a aparência não
Um .docx guarda duas coisas separadas sobre cada parágrafo: o que ele é, e como ele se parece. «Título 2» é o que ele é. Calibri 16 pt em negrito com 6 pt de espaço depois é como ele se parece.
O conversor lê a primeira e joga a segunda fora. Um Título 2 vira um <h2> — não um <p> com um tamanho de fonte em cima. No seu site ele então pega o seu próprio estilo de título, que é quase com certeza o que você queria.
A alternativa é o que o próprio Salvar como Página da Web do Word faz: alguns milhares de linhas de estilos mso- que reproduzem a página exatamente e depois não podem ser editadas nem reestilizadas.
Dê estilo aos seus títulos, não só negrito
Esta é a única coisa que vale a pena fazer no Word antes de converter, e é a diferença entre uma saída boa e uma saída chapada.
Texto que só parece um título — maior, em negrito, com o tamanho ajustado à mão — é guardado como um parágrafo normal. Ele vira <p>, porque é genuinamente o que ele é. Nada consegue recuperar a intenção a partir do tamanho da fonte.
- 01No Word, ponha o cursor num título e olhe a galeria de estilos. Se disser Normal, o problema é esse.
- 02Aplique Título 1, 2 ou 3 no lugar. Vai mudar a aparência; se não gostar, mude o estilo de título em si.
- 03Faça o mesmo com listas: use os botões de lista em vez de digitar «1.» e um tab. Números digitados à mão viram texto literal, não um <ol>.
- 04Converta e depois procure <h2> e <ul> na saída. Se você vê uma parede de <p>, o documento nunca teve estrutura.
O que chega
Os níveis de título como <h1> até <h6>, tirados dos estilos do Word. Negrito, itálico e riscado como <strong>, <em> e <s>. Sobrescrito e subscrito. Links, com os parâmetros de rastreamento do Google e do Office retirados.
Listas como <ul> e <ol> de verdade, aninhadas até cinco níveis. Tabelas como <table>, incluindo células mescladas: mesclagens horizontais chegam como colspan e as verticais como rowspan.
Citações do estilo Citação. Parágrafos com estilo Código ou Pré-formatado como <pre><code>. Legendas como <p class="caption">.
O que é descartado, e por quê
Fontes, tamanhos, cores, realces, alinhamento, recuo, espaçamento entre linhas, quebras de página, cabeçalhos e rodapés, margens. Tudo isso é apresentação que pertence a uma página, e HTML não é uma página.
Dois descartes vale a pena conhecer porque passam batido fácil. Texto sublinhado perde o sublinhado — na web um sublinhado significa um link, então o sublinhado do Word não é mapeado para nada em vez de ser mapeado para algo enganoso. E parágrafos vazios de espaçamento desaparecem, porque são layout, não conteúdo.
Controle de alterações e comentários são descartados: você recebe o texto final, não o histórico de edição. Caixas de texto, SmartArt e gráficos não sobrevivem — só o texto deles, se tiverem algum.
Imagens: três escolhas
Arquivos .doc antigos são a exceção: desse formato as imagens não podem ser recuperadas de jeito nenhum, escolha o que escolher. Todo o resto — texto, títulos, tabelas, negrito — chega.
- 01Embutidas em base64 dão um único arquivo .html autossuficiente que você pode mandar por e-mail ou abrir com dois cliques. Fica cerca de um terço maior do que as imagens eram.
- 02Arquivos separados dão um zip: o HTML mais uma pasta images/, com cada <img> já apontando para o caminho certo. Use isso para qualquer coisa que vá para um site de verdade.
- 03Descartadas deixa as tags <img> no lugar com o src vazio, então você vai ver os quadros de imagem quebrada. Apague-os, ou use uma das outras duas.
Ajuste primeiro os seus estilos de título, depois converta. Os arquivos são lidos no seu navegador e nunca são enviados, então você pode testar com algo confidencial.
DOCX → HTML