Website to JSON
Extrae un documento JSON limpio de cualquier página web: sus metadatos, encabezados y estadísticas de contenido.
¿Qué es Website to JSON?
Website to JSON lee cualquier página web pública y devuelve un único documento JSON limpiamente estructurado que la describe. En lugar de volcar HTML en bruto y dejarte analizar las etiquetas, te entrega un objeto listo para usar con la identidad de la página —título, descripción, URL, nombre del sitio, autor y fecha de publicación— junto con estadísticas derivadas del contenido como el conteo de palabras, el tiempo estimado de lectura y los conteos de encabezados, enlaces, imágenes y bloques de código. También extrae el esquema de encabezados de la página y un breve extracto en prosa. La conversión es determinista: no hay ningún modelo de IA en el camino, así que la misma URL produce siempre el mismo JSON y, como la obtención se ejecuta en el servidor, el resultado es idéntico lo leas en el navegador o lo canalices a un script.
Cómo usar Website to JSON
- Pega la URL completa de la página que quieres extraer (por ejemplo, https://example.com/blog/post).
- Haz clic en "Extract" —la página se obtiene y se analiza en el servidor, sin extensión ni inicio de sesión.
- Revisa el JSON formateado en el panel de salida; está impreso con sangría para que puedas leerlo de un vistazo.
- Copia el JSON al portapapeles, o descárgalo como archivo .json para usarlo sin conexión.
- Alimenta el archivo descargado a un script, notebook o pipeline que espere datos estructurados de la página.
Ejemplos
Entrada de blog
Entrada: https://example.com/blog/how-we-shipped-it
Salida: { "url": "https://example.com/blog/how-we-shipped-it", "title": "How We Shipped It", "description": "A behind-the-scenes look at the launch.", "siteName": "Example", "author": "Jane Doe", "publishedTime": "2025-03-14T09:00:00Z", "stats": { "wordCount": 1240, "readingTimeMinutes": 6, "headingCount": 8, "linkCount": 23, "imageCount": 4, "codeBlockCount": 2 }, "headings": ["How We Shipped It", "The Problem", "The Build", "The Launch"], "excerpt": "We had six weeks, three engineers, and a hard deadline…" }
Página de documentación
Entrada: https://docs.example.com/api/authentication
Salida: { "url": "https://docs.example.com/api/authentication", "title": "Authentication", "description": "How to authenticate API requests.", "siteName": "Example Docs", "author": null, "publishedTime": null, "stats": { "wordCount": 642, "readingTimeMinutes": 3, "headingCount": 5, "linkCount": 11, "imageCount": 0, "codeBlockCount": 6 }, "headings": ["Authentication", "API Keys", "OAuth 2.0", "Rate Limits"], "excerpt": "All API requests must be authenticated…" }
Errores comunes
- Esperar que aparezca contenido renderizado por JavaScript —las páginas que construyen su DOM en el lado del cliente tras la carga pueden salir con campos escasos o vacíos; prefiere URL renderizadas en el servidor.
- Tratar un autor o publishedTime ausente como un bug —la mayoría de los sitios simplemente no publican esas metaetiquetas, y la herramienta informa de null con honestidad en lugar de inventar un valor.
- Suponer que el extracto es el cuerpo completo del artículo —es un breve fragmento introductorio derivado del texto legible; usa los encabezados y las estadísticas para entender la página entera.
- Pegar una URL que redirige a una pantalla de inicio de sesión o consentimiento y esperar el contenido público —el fetcher sigue las redirecciones pero no puede aceptar cookies ni saltar los muros.
Por qué usar esta herramienta
- Un clic a un objeto JSON limpio y tipado —sin analizar HTML ni pelearse con selectores por tu cuenta.
- Determinista y sin IA, así que los resultados son reproducibles y no cuestan nada por petición.
- La obtención en el servidor significa una salida idéntica tanto en el navegador como desde un script o un cron job.
- Copia al portapapeles o descarga como archivo .json para usarlo sin conexión en pipelines y notebooks.