O que é um arquivo HTML?

HTML é um formato de texto puro que abre em qualquer editor. Ele pode ter pixels e formas desenhadas na mesma página. Ele é usado para a web e a edição.

A extensão é .html e o nome por extenso é HyperText Markup Language. Os dois importam menos do que aquilo que o arquivo consegue carregar, e é disso que trata o resto desta página.

Ele vem da WHATWG. A especificação é HTML Living Standard.

A idade interessa por um motivo prático: quanto mais antigo o formato, mais programas tiveram tempo de aprendê-lo.

Ela está publicada por inteiro, então dá para implementá-la a partir do documento em vez de por observação — é por isso que o formato aparece em tantos programas e por isso que arquivos escritos há vinte anos ainda abrem. Especificação publicada não é o mesmo que livre de royalties: quando o formato embrulha um codec, o licenciamento das patentes é uma questão à parte, que a norma não resolve.

Visual Studio Code e Google Chrome leem esse formato, e a maioria dos programas do mesmo tipo também.

Quando um arquivo não abre, o formato raramente é o problema — mais comum é o programa ser mais antigo que ele. Converter para algo mais antigo é o caminho confiável, e é para isso que serve o resto deste site.

Qualquer navegador atual lê o formato.

Dá para colocá-lo numa página ou anexá-lo a uma mensagem sem se perguntar o que o outro lado tem instalado.

HTML foi feito para ser aberto e alterado. Mantenha o arquivo nesse formato enquanto o trabalho estiver em andamento e exporte a partir dele sempre que precisar de uma cópia pronta.

Esta é a coisa mais importante para entender sobre HTML, e quase toda dificuldade com ele vem daqui. Um arquivo HTML contém o texto e a estrutura — títulos, parágrafos, tabelas, links — e aponta para tudo mais. A folha de estilo que dá a aparência de projetado é um arquivo separado. Também são as imagens, as fontes, os scripts e qualquer coisa carregada de outro servidor.

Então um arquivo HTML salvo sozinho e aberto depois mostra o conteúdo sem nenhuma aparência: títulos sem estilo, imagens faltando, uma página que parece de 1994. Nada está corrompido. As referências simplesmente não levam a lugar nenhum, porque o que apontavam nunca esteve no arquivo.

Navegadores sabem disso, por isso salvar uma página produz um arquivo HTML e uma pasta ao lado com nome correspondente, guardando as imagens e folhas de estilo. Os dois viajam juntos ou não viajam de jeito nenhum — mande o HTML sozinho por e-mail e o destinatário recebe a versão sem estilo.

A maioria dos navegadores também oferece uma opção de arquivo único, às vezes chamada "Página web, completa" ou MHTML, que empacota tudo num arquivo só. Isso resolve o problema de transporte e cria um novo: o resultado só é lido de forma confiável num navegador da mesma família. Para entregar uma página a alguém, PDF é o formato que realmente se comporta — um arquivo, tudo embutido, e parece igual para todo mundo.

Converter um formato de documento geralmente significa mapear um conjunto de estruturas em outro. Converter HTML para PDF é diferente: a página precisa ser diagramada primeiro, porque nada no arquivo diz a largura de nada. Um navegador decide isso a partir do tamanho da janela, da folha de estilo e das fontes disponíveis, e só então existem posições para colocar numa página.

É por isso que a mesma página produz PDFs diferentes em ferramentas diferentes, e por que uma página que depende de um script para montar seu conteúdo pode sair vazia. Também é por isso que existem folhas de estilo de impressão — um site bem feito tem um conjunto de regras para como a página deve parecer no papel.

E-mail. Quase toda mensagem de marketing e notificação é HTML, escrita contra um subconjunto muito mais antigo e estranho do que uma página web usa — tabelas de layout, estilos inline, e nenhum recurso moderno, porque clientes de e-mail renderizam com motores que pararam de evoluir há muito tempo. Um HTML exportado de um cliente de e-mail vai parecer errado num navegador por esse motivo, e não é um defeito da exportação.

Documentação e relatórios são o outro grande uso. Qualquer coisa gerada por uma ferramenta — resultados de teste, relatórios de cobertura, exportações de análise, capítulos de e-book — tende a ser HTML, porque toda máquina consegue exibir sem licenciar nada. EPUB, o formato de e-book, é um ZIP de arquivos HTML com um manifesto.

Um arquivo HTML é texto, o que significa que alguém precisa decidir como as letras são armazenadas, e o arquivo declara isso numa tag meta perto do topo. Errar essa declaração faz caracteres acentuados, aspas curvas e qualquer script não latino saírem como pontos de interrogação, losangos pretos ou pares de letras sem sentido.

UTF-8 é a resposta em todo lugar hoje, e um arquivo sem declaração é um chute de quem quer que o abra. Se uma página parece bem num navegador e bagunçada em outro, quase sempre é por isso — o arquivo, não o leitor, é que está sem a informação.

É texto, então qualquer editor funciona. Um editor feito para código adiciona duas coisas que valem a pena: colore as tags para a estrutura ficar visível de relance, e aponta um elemento não fechado antes de você gastar vinte minutos se perguntando por que metade da página ficou em negrito.

O que nenhum editor consegue fazer é te proteger do navegador sendo tolerante. HTML não tem interpretador rigoroso — uma página malformada não é rejeitada, é reparada segundo regras, e o reparo pode não ser o que você quis dizer. Uma página que parece certa não é prova de que a marcação está certa, e é para isso que servem os validadores.

O HTML em si é seguro. É o formato mais amplamente implementado que existe, é especificado publicamente, e um documento escrito em 1995 ainda renderiza. O risco é tudo ao redor: uma página cujo layout depende de um script de uma rede de entrega de conteúdo, ou cujas imagens ficam num servidor, vira uma casca vazia no momento em que qualquer um dos dois desaparece.

Para um arquivo, converta para PDF — o layout e cada recurso acabam dentro de um único arquivo que não precisa de nada além de um leitor. Guarde o HTML também, já que é a versão que ainda pode ser pesquisada, editada e renderizada de novo. Os dois juntos são a resposta durável; qualquer um sozinho é uma concessão.