Extraeré y limpiaré HTML offline en archivos de texto estructurados txt MD jsonl

Convertiré tu exportación de sitio web descargada/offline (HTTrack, SiteSucker, o similar) en archivos de texto limpios y legibles adecuados para análisis, migración de documentación, indexación de búsqueda o bases de conocimiento AI/RAG.

Lo que obtienes:

• Salida limpia en TXT (UTF-8) (un archivo por página HTML)
• Salida opcional en Markdown (MD)
• Estructura de carpetas reflejada (organizada como tu exportación)
• Eliminación de boilerplate (menús, navegación, encabezados/pies de página, barras laterales, bloques repetidos)
• Detección del contenido principal (main/artículo o extracción heurística)
• Registro de procesamiento + informe final (procesado/escrito/saltado/fallido)

Lo que necesito de ti:

• Un archivo ZIP con la carpeta de tu sitio offline (archivos HTML)
• Indícame tu formato de salida preferido: TXT / MD / JSONL
• Cualquier sección que quieras excluir (páginas legales, login, carrito, etc.)

Notas importantes:

• Este trabajo funciona con exportaciones HTML offline. No requiero acceso a hosting.
• No hago scraping de sitios web en vivo en este trabajo (solo procesamiento offline).
• Asegúrate de tener los derechos para procesar el contenido que proporcionas.

Si quieres un conjunto de datos listo para RAG, elige Premium (JSONL + metadatos + deduplicación).