¿Qué es un archivo HTML?

HTML es un formato de texto plano que se abre en cualquier editor. Puede tener píxeles y formas dibujadas en la misma página. Se usa para la web y la edición.

La extensión es .html y el nombre completo, HyperText Markup Language. Ambos importan menos que lo que el archivo puede contener, y de eso trata el resto de esta página.

Viene de WHATWG. La especificación es HTML Living Standard.

La edad interesa por un motivo práctico: cuanto más antiguo es un formato, más programas han tenido tiempo de aprenderlo.

Está publicada entera, así que cualquiera puede implementarla leyendo el documento en vez de a base de inspeccionar archivos. Por eso aparece en tantos programas, y por eso los archivos escritos hace veinte años siguen abriéndose hoy. Publicada no quiere decir libre de regalías: cuando un formato envuelve un códec, la licencia de las patentes es un asunto aparte que la norma no resuelve.

Visual Studio Code y Google Chrome lo leen, y también la mayoría de programas del mismo tipo.

Cuando un archivo no se abre, el formato rara vez es el problema: lo más habitual es que el programa sea anterior al formato. Convertir a algo más antiguo es la salida fiable, y para eso está el resto de este sitio.

Cualquier navegador actual lo lee.

Eso lo convierte en algo que puedes poner en una página o adjuntar a un mensaje sin preguntarte qué tiene instalado el otro lado.

HTML está pensado para abrirse y cambiarse. Guarda el archivo en este formato mientras el trabajo siga en marcha y exporta desde él cada vez que haga falta una copia terminada.

Es lo único que hay que entender de este formato, y casi cualquier dificultad con él sale de aquí. Un archivo HTML contiene el texto y la estructura —encabezados, párrafos, tablas, enlaces— y apunta a todo lo demás. La hoja de estilo que le da aspecto de página diseñada es otro archivo. También lo son las imágenes, las tipografías, los guiones y cualquier cosa que se cargue desde otro servidor.

Por eso un HTML guardado a solas y abierto más tarde muestra el contenido sin ninguna apariencia: encabezados sin estilo, imágenes ausentes, algo con aire de 1994. No hay nada corrupto. Las referencias sencillamente no llevan a ninguna parte, porque aquello a lo que apuntan nunca estuvo dentro del archivo.

El navegador sabe todo esto, y por eso guardar una página produce un archivo HTML y, junto a él, una carpeta con el mismo nombre donde están las imágenes y los estilos. Los dos viajan juntos o no viajan: envía por correo solo el HTML y quien lo reciba verá la versión sin estilo.

Casi todos ofrecen además una opción de archivo único, a veces llamada «página web completa» o MHTML, que lo mete todo en un fichero. Resuelve el transporte y crea otro problema: el resultado solo se lee con garantías en navegadores de la misma familia. Para entregarle una página a alguien, el formato que de verdad se comporta es el PDF — un archivo, todo dentro, y el mismo aspecto para todo el mundo.

Convertir un formato de documento suele consistir en trasladar unas estructuras a otras. Con HTML no funciona así: primero hay que componer la página, porque en el archivo no dice el ancho de nada. Eso lo decide el programa que lo abre a partir del tamaño de la ventana, de la hoja de estilo y de las tipografías disponibles, y solo entonces existen posiciones que colocar sobre una hoja.

De ahí que la misma página produzca PDF distintos en herramientas distintas, y que una página que construye su contenido con guiones pueda salir vacía. También es el motivo de que existan las hojas de estilo de impresión: un sitio bien hecho tiene reglas para su aspecto sobre papel, y quien las respeta da un resultado mucho mejor que quien fotografía la pantalla.

Esta es una de las conversiones de este sitio que no ocurren en tu navegador. El archivo sube a api.quinvert.com, lo compone LibreOffice dentro de un contenedor nuestro, y la carpeta temporal donde se escribió se borra al terminar, también si la conversión falla. El nombre que tú le habías puesto al archivo no llega a tocar el disco. El límite por archivo en este camino es de 25 MB, no de 100.

Hay un detalle que cambia el resultado y que conviene saber de antemano: ese contenedor no tiene salida a internet. Nada de lo que el documento señale en otro servidor —una imagen alojada fuera, una hoja de estilo remota, una tipografía servida por un tercero— puede recuperarse mientras se convierte. Un HTML que va a acabar en PDF debería llevar sus recursos al lado, igual que cuando se guarda desde el navegador. Y de la maquetación, la advertencia del propio conversor: el diseño se reproduce con tipografías sustitutas de métrica compatible, y las macros, los comentarios y el control de cambios no se trasladan.

Casi cualquier boletín o aviso automático es HTML, escrito contra un subconjunto mucho más antiguo y más raro que el de una página web: tablas para maquetar, estilos en línea y ninguna función moderna, porque los clientes de correo dibujan con motores que dejaron de evolucionar hace mucho. Un HTML exportado desde un programa de correo se ve mal en el navegador por esa razón, y no es un defecto de la exportación.

La documentación y los informes son el otro terreno. Todo lo que genera una herramienta —resultados de pruebas, informes de cobertura, exportaciones de analítica, capítulos de un libro— tiende a ser HTML, porque cualquier máquina lo muestra sin licenciar nada. EPUB, el formato de libro electrónico, es literalmente un ZIP de archivos HTML con un manifiesto.

Un HTML es texto, así que alguien tiene que decidir cómo se guardan las letras, y el archivo lo declara en una etiqueta cerca del principio. Si esa declaración falta o es la equivocada, el castellano lo nota antes que casi cualquier idioma: las tildes, la eñe, las comillas tipográficas y los signos de apertura salen como interrogantes, como rombos negros o como parejas de letras sin sentido.

UTF-8 es la respuesta en todas partes desde hace años, y un archivo sin declaración queda a merced de lo que adivine el programa que lo abra. Si una página se ve bien en un navegador y destrozada en otro, casi siempre es esto: lo que falta es información dentro del archivo, no una capacidad del lector.

Es texto, así que sirve cualquier editor. Uno pensado para código aporta dos cosas que compensan: colorea las etiquetas, de modo que la estructura se ve de un vistazo, y avisa de un elemento sin cerrar antes de que pases veinte minutos preguntándote por qué media página está en negrita.

Lo que ningún editor puede evitar es que el navegador sea indulgente. HTML no tiene un analizador estricto: una página mal formada no se rechaza, se repara según unas reglas, y la reparación puede no ser lo que querías. Que se vea bien no demuestra que el marcado esté bien, y para eso existen los validadores.

El HTML en sí está a salvo. Es el formato más implementado que existe, su especificación es pública y un documento escrito en 1995 se sigue viendo. El riesgo es todo lo que lo rodea: una página cuya maquetación depende de un guion servido por una red de distribución, o cuyas imágenes viven en un servidor ajeno, se convierte en una cáscara vacía en cuanto cualquiera de los dos desaparece.

Para conservarla, el PDF deja la maquetación y los recursos dentro de un archivo que no necesita nada más. Guarda también el HTML, que es la versión que se puede buscar, editar y volver a componer. La pareja es la respuesta duradera; cada uno por separado es una renuncia.