Converter HTML em DOCX

Uma página com tudo fixo virando um documento que flui

O HTML posiciona as coisas; um documento Word as faz fluir. Essa é a diferença central e a origem de todas as surpresas aqui. Uma página web pode fixar uma barra lateral à esquerda e um painel à direita e deixá-los ali, independentemente do tamanho; um .docx é uma sequência de parágrafos que empurram uns aos outros página abaixo. Então, layouts feitos com posicionamento CSS, colunas flexbox ou grids são gravados como uma única coluna corrida na ordem de leitura — não porque o layout não pudesse ser medido, mas porque fixar caixas em um documento Word gera algo que ninguém consegue editar, o que acaba com o motivo de converter.

O que passa sem problemas é tudo o que já tinha forma de documento. Os títulos viram estilos de título do Word — então o painel de navegação funciona e é possível gerar um sumário — e parágrafos, negrito e itálico, listas, citações em bloco, tabelas com bordas e hiperlinks têm equivalentes diretos. As imagens são incorporadas, para que o documento seja autossuficiente. Um post de blog, um artigo ou um relatório é convertido quase perfeitamente; uma landing page, não.

As imagens precisam estar acessíveis no momento da conversão. Um caminho que aponta para o seu próprio computador não pode ser lido — uma página no navegador não tem acesso aos seus arquivos — e um endereço da web só funciona se aquele servidor permitir que outros sites busquem o arquivo, o que muitos não permitem de propósito. A solução é incorporar as imagens como data URIs ou usar endereços que você sabe que podem ser acessados publicamente. Qualquer imagem que não pôde ser incluída é informada, em vez de simplesmente sumir.

Duas omissões menores que vale esperar. Fontes da web não são incorporadas, então o texto usa as fontes que o Word tiver e a aparência muda; e imagens de fundo CSS não são levadas, já que o Word não tem um conceito equivalente de imagem de fundo de parágrafo. Scripts nunca são executados, então uma página que se monta com JavaScript é convertida conforme a marcação diz antes disso.

Quando você precisa de outra coisa

O Pandoc faz isso melhor que qualquer conversor que trabalha a partir da marcação renderizada: pandoc page.html -o page.docx --extract-media=. mapeia corretamente a estrutura do HTML para os estilos do Word, extrai as imagens e aceita um documento de referência para que o resultado siga o seu próprio modelo — títulos, fontes e espaçamento no padrão da sua empresa, e não no padrão do Word. Essa última parte é o que faz valer a pena instalá-lo.

Para uma página web ao vivo, e não um arquivo, salve-a antes — “Salvar como → Página da Web, completa” — ou baixe-a com curl e converta o resultado, já que nada aqui acessa a rede. E, se o que você quer é uma cópia fiel de como a página aparece, e não algo editável, converter em PDF é a ferramenta certa, porque um PDF consegue fixar caixas onde um documento Word não consegue.