# Cómo convertir una página web a Markdown para un LLM > Cómo convertir una página web a Markdown para un LLM en 2026: tres métodos, qué conserva el Markdown limpio, cómo limitar los tokens y código en Python. - URL: https://webreaderapi.com/es/guides/convert-web-page-to-markdown/ - Última actualización: 2026-10-22 - Editor: WebReaderAPI (https://webreaderapi.com) Copiar y pegar sirve para una página. Una librería sirve si ejecutas tu propio rastreador. Una API sirve cuando quieres una solicitud por página. Aquí tienes cómo elegir, cómo es una buena salida y código que puedes reutilizar. **Respuesta rápida — ¿Cómo convierto una página web a Markdown para un LLM?** Obtén la página, conserva solo su contenido principal, luego convierte encabezados, listas, tablas y enlaces en Markdown y limita la longitud al presupuesto de tu modelo. Puedes hacerlo a mano, con librerías de código abierto o con una llamada a la API: **WebReaderAPI** devuelve el Markdown y los metadatos por un crédito por página, desde 0,07 US$/1K páginas a octubre de 2026. Sin KYC; paga con criptomonedas. ## Tres formas de obtener Markdown de una página web | Atributo | Valor | | --- | --- | | A mano | Copia el texto desde el navegador o su vista de lectura; vale para unas pocas páginas | | Librerías de código abierto | Readability, Trafilatura, MarkItDown o Crawl4AI dentro de tu propio fetcher | | Una API de lectura web | `GET https://webreaderapi.com/api/v1/read?url=…` devuelve Markdown, título, autor y fecha | | Control de longitud | `max_chars` en WebReaderAPI, o recorta el texto tú mismo después de la conversión | | Páginas con JavaScript | Necesitas un navegador headless; WebReaderAPI las renderiza cuando hace falta, por 2 créditos | ## ¿Qué método debo usar? Elige según el volumen y según cuánta infraestructura quieras mantener. | Método | Ideal para | Tú te encargas de | |---|---|---| | Copiar y pegar | Un puñado de páginas, un prompt puntual | Limpiar a mano | | Librería en tu código | Volúmenes constantes, control total | Fetching, navegadores, robots.txt, PDFs, reintentos | | API de lectura web | Agentes y pipelines que leen muchos sitios | Solo la petición y el resultado | Las librerías te dan control y ninguna tarifa por página. El coste es operativo: un navegador headless para páginas con JavaScript, una comprobación de robots.txt, manejo de conjuntos de caracteres y redirecciones, y una ruta aparte para PDFs. Una API reduce todo eso a una sola llamada HTTP. ## ¿Qué debe conservar un buen Markdown y qué debe descartar? Un buen Markdown conserva cada elemento que aporta significado y descarta todo lo que solo existe para el diseño o el marketing. - **Conserva los encabezados** como `#`, `##` y `###`: le indican al modelo, y a tu chunker, dónde empieza cada tema. - **Conserva listas y tablas** como listas Markdown y tablas de tuberías, para que los pasos y los números sigan siendo legibles. - **Conserva los enlaces** como `[text](url)`: permiten que un asistente cite y siga las fuentes. - **Conserva los bloques de código** entre delimitadores, con el lenguaje cuando la página lo muestra. - **Descarta menús, avisos de cookies, anuncios, widgets de publicaciones relacionadas y pies de página**: se repiten en cada página y contaminan la recuperación. Comprueba el resultado en algunas de tus páginas reales. Las herramientas de extracción discrepan sobre todo en foros, tablas largas y páginas con varios artículos. ## ¿Cuánto más pequeño es Markdown que HTML? Normalmente mucho más pequeño, porque el mobiliario de la página y el marcado desaparecen. Cuando Cloudflare lanzó su función Markdown for Agents el 12 de febrero de 2026, su página de ejemplo pasó de 16.180 tokens en HTML a 3.150 tokens en Markdown, aproximadamente un 80% menos. Tu propia proporción depende del sitio. Los artículos largos se reducen menos, en porcentaje, que las páginas cortas envueltas en plantillas pesadas. Mide en tus fuentes antes de dimensionar un presupuesto. ## ¿Cómo mantengo una página dentro del presupuesto de tokens de mi modelo? Limita el texto antes de que llegue al modelo y luego divide lo que quede según los encabezados. Con WebReaderAPI, el parámetro `max_chars` corta el Markdown a una longitud fija, entre 1.000 y 500.000 caracteres. El campo `word_count` te dice cuánto medía el artículo completo, para que un agente pueda decidir si merece la pena leer el resto. Para recuperación, divide primero por encabezados y solo después recorta las secciones largas. Un fragmento que empieza con su propio encabezado conserva su tema; un fragmento cortado a mitad de frase de una página larga no. *Python: leer una página como Markdown y dividirla en fragmentos por encabezados* ```python import os import re import requests API = "https://webreaderapi.com/api/v1/read" HEADERS = {"Authorization": "Bearer " + os.environ["WEBREADER_API_KEY"]} def page_to_chunks(url, max_chars=60000, chunk_len=1500): params = {"url": url, "format": "markdown", "max_chars": max_chars} resp = requests.get(API, headers=HEADERS, params=params, timeout=90) data = resp.json() if resp.status_code != 200: print("not read:", data["error"]["code"]) return [] chunks = [] for section in re.split(r"\n(?=#{1,3} )", data["markdown"]): section = section.strip() while section: chunks.append(section[:chunk_len]) section = section[chunk_len:] return [{"text": c, "source": data["final_url"], "title": data["title"]} for c in chunks] if __name__ == "__main__": for chunk in page_to_chunks("https://example.com/guides/compost")[:3]: print(chunk["title"], "|", chunk["text"][:80]) ``` ## ¿Qué suele salir mal y cómo me doy cuenta? Cuatro problemas explican la mayoría de las conversiones defectuosas: - **Salida vacía.** La página construye su contenido con JavaScript. Busca un `word_count` bajo; renderiza la página en un navegador, o establece `render=true`. - **Texto de cookies o consentimiento en el resultado.** El extractor conservó un banner. Prioriza la extracción del contenido principal y revisa las primeras líneas de cada resultado. - **Faltan tablas.** Algunos sitios dibujan las tablas como imágenes o elementos canvas; ningún extractor de texto puede leerlas. - **Un rechazo en lugar de una página.** El sitio desautorizó a los robots en robots.txt o rechazó la petición. Respétalo: pide acceso al propietario, o usa una API oficial o feed si el sitio ofrece uno. Ninguno de estos se arregla reintentando más rápido. Lee el error y luego cambia el método o la fuente. ## Convertir una página web a Markdown: preguntas frecuentes ### ¿Es Markdown mejor que texto plano para un LLM? Para la mayoría de las páginas, sí. Markdown conserva encabezados, listas, tablas y enlaces con un pequeño coste en tokens, para que el modelo vea la estructura y pueda citar fuentes. El texto plano es algo más corto pero pierde esa estructura. ### ¿Puedo convertir un sitio web entero, no solo una página? Sí. Rastréalo y convierte cada página. La [API de rastreo](https://webreaderapi.com/es/crawl-api/) de WebReaderAPI hace ambas cosas en un solo trabajo: Rastrea un sitio web por trabajo, hasta 10.000 páginas, siguiendo su sitemap, su robots.txt y su Crawl-delay. ### ¿Puedo convertir un PDF de la misma forma? Sí, enviando la URL del PDF al mismo endpoint. Los archivos PDF de hasta 20 MB y 100 páginas se convierten a Markdown, a 1 crédito por cada bloque de 10 páginas iniciado. ### ¿Y las páginas detrás de un inicio de sesión? No las conviertas a través de un servicio de terceros a menos que sean tuyas y las hayas exportado tú mismo. WebReaderAPI solo lee páginas públicas y nunca inicia sesión en cuentas. ### ¿Hay una forma gratuita de hacer esto? Las librerías de código abierto son gratuitas de usar y se ejecutan en tus propias máquinas. WebReaderAPI no tiene plan gratuito; su pack más pequeño es 10.000 páginas por 3,75 US$, pagado con criptomonedas sin KYC. ## Fuentes 1. [Presentamos Markdown for Agents](https://blog.cloudflare.com/markdown-for-agents/) — Cloudflare (2026-02-12) --- WebReaderAPI: WebReaderAPI es una API de lectura web para agentes de IA que convierte cualquier página web pública en Markdown limpio, pagando con criptomonedas y sin subir ningún documento de identidad. Los créditos prepago desde 0,07 US$/1K páginas nunca caducan y se respeta robots.txt. Sin KYC: ni documento de identidad, ni selfie, ni documentos. Paga con criptomonedas.