Convertidor online gratuito de WEBARCHIVE a HTML

Algunos editores, servidores web, navegadores y sistemas de documentos aceptan un archivo .html normal, pero no el contenedor .webarchive de Safari. La conversión extrae una página utilizable para editarla, publicarla, inspeccionarla o compartirla sin Safari.

Qué es el formato WEBARCHIVE

.webarchive es el formato Web Archive de Safari de Apple, que normalmente se crea en macOS mediante File → Save As con Web Archive seleccionado. Generalmente es un contenedor binario o de lista de propiedades XML, no un documento HTML normal.

El archivo puede contener un recurso HTML principal, imágenes, CSS, JavaScript, fuentes, URL, tipos MIME y otros metadatos. Safari y algunos programas basados en WebKit utilizan estos recursos para volver a abrir una página guardada y verla sin conexión. El formato suele encontrarse en archivos guardados desde Safari, copias de seguridad de Mac, archivos de investigación y colecciones antiguas de páginas web sin conexión.

Qué es el formato HTML

.html es el formato de marcado estándar para las páginas web. Los navegadores representan sus elementos, enlaces, estilos y scripts, mientras que los editores de código, sistemas de publicación, servidores web, herramientas de indexación y sistemas de control de versiones pueden procesar el archivo como texto.

HTML normalmente se refiere únicamente a la estructura del documento. Las imágenes, hojas de estilo, scripts y fuentes suelen ser archivos independientes referenciados mediante URL o rutas relativas, por lo que extraer el recurso HTML principal no necesariamente crea una copia completa sin conexión de la página archivada.

Conviértelo en 101convert.com

1. Abre el conversor de WEBARCHIVE a HTML en 101convert.com.
2. Selecciona el archivo .webarchive con el selector de archivos o arrástralo al área de carga.
3. Elige HTML como formato de salida si no se selecciona automáticamente.
4. Inicia la conversión y descarga el archivo .html resultante.
5. Abre el archivo en un navegador y comprueba su texto, codificación, imágenes, estilos, enlaces y scripts antes de publicarlo o editarlo.

El método en línea no requiere software instalado. No subas archivos que contengan páginas confidenciales, datos personales, URL privadas o contenido relacionado con la autenticación, a menos que las condiciones de gestión y conservación del servicio sean aceptables.

Expórtalo con Safari en macOS

1. Abre el archivo en Safari.
2. Elige File → Save As.
3. Selecciona Page Source o una opción relacionada con HTML si la versión de Safari proporciona una.
4. Guarda el resultado con una extensión .html.

Las opciones de guardado de Safari varían según la versión. Algunas versiones solo muestran Web Archive, y la exportación HTML puede contener únicamente el código fuente de la página, en lugar de las imágenes, hojas de estilo, fuentes y scripts archivados. Utiliza el conversor en línea o un método de extracción local cuando Safari no ofrezca una opción HTML.

Extrae el recurso principal con Python

El módulo plistlib de la biblioteca estándar de Python 3 puede leer muchos archivos WEBARCHIVE XML y binarios. Este método escribe únicamente el recurso principal del archivo:

import plistlib
import sys
from pathlib import Path

if len(sys.argv) != 3:
    raise SystemExit("Usage: python extract_webarchive.py input.webarchive output.html")

with Path(sys.argv[1]).open("rb") as file:
    archive = plistlib.load(file)

main = archive["WebMainResource"]
data = main["WebResourceData"]
if not isinstance(data, bytes):
    raise TypeError("WebResourceData is not binary data")

Path(sys.argv[2]).write_bytes(data)

Guarda el código como extract_webarchive.py y, a continuación, ejecútalo desde Terminal, Command Prompt o PowerShell:

python3 extract_webarchive.py "saved-page.webarchive" "saved-page.html"

En Windows, el comando puede ser python en lugar de python3. Normalmente, el resultado es el recurso HTML principal. Comprueba WebResourceMIMEType del archivo si el resultado no es HTML legible; el recurso principal también puede ser una imagen, un PDF u otro tipo de contenido.

Limitaciones de calidad y compatibilidad

• Extraer únicamente WebMainResource no extrae los recursos enumerados en WebSubresources. Por lo tanto, pueden faltar imágenes, CSS, fuentes y scripts.
• El HTML puede conservar URL absolutas del sitio web original. Estos recursos pueden desaparecer cuando el sitio cambia, el equipo está sin conexión o el servidor bloquea las solicitudes de origen cruzado.
• Una reconstrucción completa sin conexión requiere extraer los subrecursos, asignarles nombres de archivo locales y reescribir las referencias del HTML. Las rutas y los metadatos de recursos necesarios no son idénticos en todos los archivos WEBARCHIVE.
• El recurso principal guardado puede ser el código fuente original del documento en lugar del DOM final generado por JavaScript. Es posible que el contenido insertado después de la carga de la página no aparezca en el HTML extraído.
• Es posible que las funciones interactivas que dependen de cookies, almacenamiento local, autenticación, solicitudes del servidor, API del navegador, complementos o servicios externos no funcionen después de la conversión.
• La codificación de caracteres puede cambiar durante la exportación. Inspecciona el texto no latino y el juego de caracteres declarado del documento antes de editarlo o publicarlo.
• La conversión cambia el formato del contenedor, no conserva todos los campos de metadatos específicos de Safari y no garantiza una representación idéntica a nivel de píxeles.