Convertir HTML a DOCX

De una página con elementos fijos a un documento que fluye

HTML posiciona los elementos; un documento de Word los hace fluir. Esa es la diferencia central y el origen de todas las sorpresas. Una página web puede fijar una barra lateral a la izquierda y un panel a la derecha y dejarlos ahí sin importar la longitud; un .docx es una sucesión de párrafos que se van empujando página abajo. Por eso los diseños creados con posicionamiento CSS, columnas flexbox o cuadrículas se escriben como una sola columna continua en orden de lectura, no porque el diseño no se pudiera medir, sino porque fijar cuadros en un documento de Word produce algo que nadie puede editar, lo que anula el sentido de convertirlo.

Lo que se traslada limpiamente es todo lo que ya tenía forma de documento. Los títulos se convierten en estilos de título de Word (así funciona el panel de navegación y se puede generar un índice), y los párrafos, la negrita y la cursiva, las listas, las citas en bloque, las tablas con sus bordes y los hipervínculos tienen equivalentes directos. Las imágenes se incrustan para que el documento sea autónomo. Una entrada de blog, un artículo o un informe se convierten casi a la perfección; una landing page, no.

Las imágenes tienen que estar accesibles en el momento de la conversión. Una ruta que apunta a tu propia computadora no se puede leer (una página en un navegador no tiene acceso a tus archivos), y una dirección web solo funciona si ese servidor permite que otros sitios descarguen el archivo, algo que muchos impiden a propósito. La solución es incrustar las imágenes como URI de datos o usar direcciones que sepas que se pueden descargar públicamente. Cualquier imagen que no se haya podido incluir se informa, en lugar de faltar sin avisar.

Dos omisiones menores que conviene esperar. Las fuentes web no se incrustan, así que el texto se compone con la fuente que tenga Word y el aspecto cambia; y las imágenes de fondo CSS no se trasladan, porque Word no tiene un concepto equivalente a una imagen de fondo de párrafo. Los scripts nunca se ejecutan, así que una página que se construye con JavaScript se convierte según lo que diga su marcado antes de ejecutarlo.

Si buscas otra cosa

Pandoc hace esto mejor que cualquier conversor que trabaje a partir del marcado renderizado: pandoc page.html -o page.docx --extract-media=. traslada correctamente la estructura HTML a estilos de Word, extrae las imágenes y acepta un documento de referencia para que el resultado coincida con tu propia plantilla, con títulos, fuentes y espaciado según el estilo de tu organización y no los valores predeterminados de Word. Esto último es lo que hace que valga la pena instalarlo.

Para una página web en vivo, y no un archivo, guárdala primero ("Guardar como → Página web completa") o descárgala con curl y convierte el resultado, porque aquí no se accede a la red. Y si lo que quieres es una copia fiel de cómo se ve la página, y no algo editable, convertirla a PDF es la herramienta adecuada, porque un PDF puede fijar cuadros donde un documento de Word no puede.