Eu vou extrair e limpar HTML offline em arquivos de texto estruturados txt MD jsonl

Vou converter seu exportação de site baixada/offline (HTTrack, SiteSucker ou similar) em arquivos de texto limpos e legíveis adequados para análise, migração de documentação, indexação de busca ou bases de conhecimento IA/RAG.

O que você recebe:

• Saída limpa em TXT (UTF-8) (um arquivo por página HTML)
• Opção de saída em Markdown (MD)
• Estrutura de pastas espelhada (organizada como sua exportação)
• Remoção de boilerplate (menus, navegação, cabeçalhos/rodapés, barras laterais, blocos repetidos)
• Detecção do conteúdo principal (main/artigo ou extração heurística)
• Log de processamento + relatório final (processado/gravado/pulou/falhou)

O que preciso de você:

• Um arquivo ZIP com a pasta do seu site offline (arquivos HTML)
• Me diga sua preferência de saída: TXT / MD / JSONL
• Seções que deseja excluir (páginas legais, login, carrinho, etc.)

Notas importantes:

• Este serviço funciona com exportações HTML offline. Não exijo acesso ao hosting.
• Não faço web scraping de sites ao vivo neste serviço (apenas processamento offline).
• Certifique-se de ter os direitos para processar o conteúdo que você fornecer.

Se quiser um dataset pronto para RAG, escolha Premium (JSONL + metadados + dedupe).