Tengo un documento bastante grande en formato html generado a partir de Microsoft Word. Es tan sucio y lleno de cosas hinchadas (como etiqueta desconocida, espacio de nombres desconocido, etc. y otras cosas hinchadas)cómo limpiar microsoft html doc?
¿hay alguna forma de convertirlo en sintaxis html simple?
Pruebe HTML Tidy. Escuché que funciona bastante bien en HTML generado por MS Word (definitivamente al menos hasta Word 2000, pero probablemente también en versiones más recientes).
Esto no es realmente una pregunta de programación, pero (al menos las versiones más recientes de) Word se puede guardar en "Página web, filtrado", que elimina las etiquetas y propiedades específicas de Office y solo deja las etiquetas necesarias para el documento renderizarse en un navegador web. Entonces, si tiene Word, podría intentar usarlo para abrir el documento HTML y guardarlo en ese formato.
Probablemente esté buscando HTML Tidy, que tiene adaptadores en casi todos los idiomas. Tiene opciones para limpiar el resultado HTML de Microsoft Word (y muchas otras características).
prueba Cleanup HTML herramienta en línea para limpiar la palabra HTML