Convertir un ZIP a texto: un archivo comprimido convertido en un corpus buscable
Hay un momento concreto para el que se construyó esta herramienta. Tienes un comprimido — una exportación, una copia de seguridad, un paquete que te ha mandado alguien — lleno de documentos en media docena de formatos, y lo que necesitas de verdad no es leerlos. Necesitas buscar en todos a la vez. Contar cuántas veces aparece un término. Darle el conjunto entero a un modelo de embeddings. Encontrar los tres archivos de ochenta que mencionan una cláusula concreta.
Sube el ZIP y recibes un único cuerpo plano de texto con todo lo legible que había dentro. Sin encabezados, sin tablas de barras, sin caracteres de sintaxis: solo prosa a la que puedes hacer grep, indexar, trocear o pegar. Gratis, sin cuenta, tope de 50 MB por comprimido, y no se guarda nada una vez que tienes tu salida.
Entra un comprimido, sale un corpus
El comprimido se descomprime, se recorre el árbol de dentro, y cada archivo con una extensión compatible se
convierte con la misma lógica que tendría como subida individual. Luego vuelve todo unido como texto
continuo. Las rutas de carpeta del interior del comprimido se conservan, así que sigues pudiendo distinguir
que algo venía de exports/2023/ y no de drafts/, pero la salida en sí es plana,
uniforme y mecánicamente fácil de procesar.
El argumento de eficiencia se explica solo. Cuarenta documentos convertidos uno a uno son cuarenta subidas y cuarenta operaciones de portapapeles. Como una única conversión masiva de archivos a texto, es una. Y como todo aterriza en una sola salida, no hay paso de recomposición después: nada de preocuparse por si pegaste dos veces el archivo 23 y te saltaste el 24.
Por qué el texto plano gana a Markdown en el trabajo masivo
Markdown se gana el sueldo cuando una persona lee la salida o cuando la estructura del documento significa algo. Para casi todo lo que harías con un comprimido entero de golpe no se da ninguna de las dos cosas, y el marcado se convierte en sobrecarga:
- Embeddings y pipelines RAG. Los troceadores trabajan sobre prosa. Las tablas de barras y las marcas de encabezado se parten entre fragmentos, diluyen la señal semántica de cada vector y consumen presupuesto que debería ir al contenido real. Además, casi todo el código de ingesta quita el Markdown como primer paso, así que mejor no generarlo.
- Indexado de búsqueda. Le des lo que le des, un tokenizador quiere palabras limpias. Los caracteres de sintaxis son ruido que el analizador tiene que descartar.
- Análisis de palabras clave y frecuencias. Recuentos de términos, coocurrencias, TF-IDF, barridos con regex sencillas: todo sale más limpio sobre texto sin adornos, sin riesgo de que un delimitador de tabla cuente como token.
- Deduplicación y comparación. Comparar dos conversiones del mismo comprimido para ver qué ha cambiado es mucho más fácil cuando el formato no puede introducir diferencias espurias.
- Eficiencia de tokens. Repartido entre decenas de documentos, el marcado estructural suma una fracción real de tu ventana de contexto. Quitarlo te compra sitio para más material original.
Cambia a ZIP a Markdown cuando pase lo contrario: cuando necesites límites claros entre documentos, cuando importen las tablas y la numeración de cláusulas, o cuando vayas a leer tú mismo el resultado. El selector de formato de arriba cambia de página y se lleva el comprimido seleccionado, así que puedes generar ambas salidas desde una sola subida y ver cuál encaja.
Sabe qué hay dentro del comprimido antes de subirlo
Los formatos compatibles se convierten estén donde estén dentro del árbol: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, RTF, MSG e imágenes. Los comprimidos mixtos son el caso normal. Si quieres los detalles de cómo se comporta un tipo concreto una vez aplanado, mira PDF a texto, Word a texto, CSV a texto o MSG a texto para mensajes de Outlook.
Lo que se salta: vídeo, audio, binarios, tipografías y cualquier cosa fuera de la lista de compatibles. Hay dos casos más que conviene conocer antes de llevarte una sorpresa con la salida.
- Las imágenes no se leen dentro de un comprimido. Por su cuenta, a los archivos de imagen se les reconoce el texto y se devuelve. Metidos en un ZIP no: la pasada por lotes anota el archivo y sigue, así que un comprimido de capturas o de páginas escaneadas se procesa sin error y te da nombres de archivo en lugar de las palabras de las imágenes. Cuando lo que importa son las palabras, extrae esas imágenes y pásalas por imagen a texto de una en una.
- Los PDF escaneados tienen el mismo problema. Un PDF que en realidad es una foto de un papel no tiene texto incrustado que extraer. Compruébalo intentando seleccionar una frase en un lector: si no puedes, pásale reconocimiento de texto antes de comprimirlo.
- Comprimidos anidados. Un ZIP que contiene otros ZIP conviene descomprimirlo un nivel a mano antes de subirlo.
Dónde se gana el sueldo un corpus plano
- Revisión documental a escala. Un paquete de prueba documental o la exportación de un data room donde la primera pregunta es «cuáles de estos siquiera mencionan lo que me interesa», no «léeme este documento».
- Montar una base de conocimiento. Manuales de empresa, políticas y documentos de proceso, convertidos de una pasada y metidos en un sistema de recuperación como la verdad de referencia desde la que responde un asistente.
- Exportaciones de soporte y tickets. Meses de conversaciones aplanadas en texto sobre el que puedes hacer análisis temático, o pedirle a un modelo que agrupe las quejas recurrentes.
- Corpus de investigación. Una carpeta de artículos, informes y conjuntos de datos convertida en un solo cuerpo de texto para análisis entre documentos en vez de lectura uno a uno.
- Migraciones y auditorías de contenido. Antes de mover un conjunto de documentación a una plataforma nueva, convierte el comprimido entero y busca referencias muertas, nombres de producto obsoletos o páginas duplicadas.
- Exportaciones de espacios de trabajo. Las descargas de Slack, Notion y Takeout son un desastre estructural y están llenas de carpetas anidadas. Aplanarlas es lo que las hace manejables.
Tamaño, orden y lotes con cabeza
El límite de 50 MB se aplica al comprimido que subes, no a los archivos por separado. Los documentos con mucho texto comprimen bien, así que caben muchos; los archivos multimedia no comprimen y se comerán toda la cuota para nada. Saca el vídeo y las imágenes grandes antes de comprimir.
Si vas a trabajar el corpus por partes, divide por carpetas y comprime cada parte por separado: un comprimido por cliente, por trimestre, por proyecto. Así cada salida se mantiene en un tamaño que puedes pegar de verdad y el material relacionado se queda junto. El contador de tokens bajo la salida es la cifra con la que pilotar: te dice al instante si un lote cabe en la ventana de contexto de tu modelo o hay que partirlo, antes de que lo descubras por las malas.
Y si el comprimido es un proyecto de código fuente y no documentos, usa mejor el conversor de directorios locales. Te da un árbol de casillas de la carpeta para que puedas excluir dependencias, artefactos de build y lockfiles antes de convertir, un control que una subida de comprimido no puede ofrecer. El código que ya está en un alojamiento es aún más fácil: el conversor de GitHub a texto funciona directamente desde una URL.
Preguntas frecuentes
¿Cómo convierto un archivo ZIP a texto?
Sube el comprimido aquí arriba. Se descomprime, se recorre el árbol de dentro y cada archivo con extensión compatible se convierte y se une en un único cuerpo plano de texto. Gratis, sin registro, 50 MB por comprimido, sin almacenar nada. Las rutas de carpeta del interior se conservan para que sepas de dónde salió cada parte.
¿Qué tipos de archivo de dentro se convierten?
Los mismos trece que este sitio maneja como subidas individuales: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, imágenes, EPUB, RTF, mensajes de Outlook y comprimidos anidados. Cualquier otra cosa del ZIP se salta en lugar de volcarse como ruido binario, así que un paquete que mezcla documentos con vídeos y ejecutables sigue produciendo una salida limpia.
¿Funciona con comprimidos protegidos con contraseña?
No. Un ZIP cifrado no tiene entradas legibles hasta que se descifra con la contraseña, y aquí no hay dónde introducirla. Extráelo primero en tu máquina con la contraseña y vuelve a comprimirlo sin cifrado, o apunta el conversor de carpetas locales al directorio ya extraído.
Mi comprimido pasa de 50 MB, ¿y ahora qué?
Divídelo por carpetas y conviértelo en varias pasadas, o sáltate el comprimido por completo: extráelo en tu equipo y usa el conversor de carpetas locales, que no tiene paso de subida, recorre el árbol entero y te deja marcar exactamente qué archivos incluir. Para un volcado grande de documentos esa es de todos modos la mejor ruta.
¿Es esta la herramienta adecuada para un repositorio de código comprimido?
La verdad es que no. Para código fuente, el conversor de GitHub y la herramienta de carpetas locales están hechos para eso: te enseñan el árbol de directorios, te dejan desmarcar node_modules y los lockfiles, y cuentan tokens sobre la marcha. Esta página apunta a comprimidos de documentos, donde no hay árbol que podar.
El resto de la caja de herramientas
File2Txt acepta cualquier formato compatible desde una sola página si no quieres elegir uno. Hay una guía más larga sobre cómo dejar los archivos listos para LLM si quieres el razonamiento completo en un solo sitio.
Repo2Txt está desarrollado y mantenido por v12hero, un desarrollador independiente que crea aplicaciones nativas y web centradas en la privacidad.