HTML 转纯文本：去标签、实体与转 Markdown

一、从网页复制来的东西有多脏

一段典型的网页内容长这样：

<h2>标题</h2><p>你好 &amp; 欢迎使用&nbsp;工具</p>
<script>alert(1)</script><style>.a{}</style>
<ul><li>甲</li><li>乙</li></ul>

三层脏东西：标签（h2、p、ul）、实体（&、 ）、不该出现的块（script、style）。三种工具各管一层。

二、去标签：只留人读的文字

实测上面那段 HTML：

标题

你好 & 欢迎使用 工具

甲

乙

统计：移除 5 个标签、还原 2 个实体、丢弃 2 个脚本样式块，剩余 22 字符。

三个默认行为都值得说清：

1. script 与 style 整块丢弃：里面是代码与样式规则，不是给人读的文字，混进正文只会变成噪声。真要分析这些代码，切到「保留脚本与样式文本」模式即可；
2. 实体默认还原：& → &、< → <、  → 不换行空格、你 与 你 → 你（十进制与十六进制都认）；
3. 块级标签换行：h2、p、li 之间补空行，保留段落结构，而不是把所有文字挤成一坨。

一个必须破除的误区：去标签工具不能防 XSS。它只是把标签当字符串删掉，畸形嵌套、属性里藏代码、编码变体它一概不管。防注入必须由服务端在输出时按上下文转义——把「前端去标签」当安全措施是常见且危险的理解错误。

三、转 Markdown：保留结构而不是只留文字

去标签会丢掉「这是标题、这是列表」的信息；转 Markdown 则把这些结构翻译成对应语法：

HTML	Markdown
<h2>标题</h2>	## 标题
<ul><li>甲</li></ul>	- 甲
<strong>加粗</strong>	加粗
<table>	管道表格
<script>	整块丢弃

实测表格能完整转成管道表格（| A | B | + 分隔行 + 数据行），结构无损。

两个降级是语言本身的限制，不是工具的锅：

• 合并单元格无法还原：Markdown（含 GFM）的表格不支持跨行跨列，合并格的内容会落在第一个单元格、被合并的位置留空。要保留合并效果只能用 HTML 表格或截图；
• script/style 丢弃：与去标签同理。

生成的是标准写法（文字 两侧紧贴、无多余空格），在 GitHub、Typora、VS Code、语雀都能正常渲染。

四、实体编码：五个必要字符与全部非 ASCII

实体的本质是用 ASCII 安全地表示特殊字符，两种级别用途完全不同：

级别	处理范围	用途
必要字符	< > & " ' 五个	网页正文、数据库存储——中文保持可读、体积小
全部非 ASCII	中文、emoji 全转数字实体	老接口、邮件头等不确定编码的环境——绝不乱码但长度翻倍

实测对比（输入「中文<测试>&ok」）：

必要字符：中文<测试>&ok（只转 3 个符号）
全部非 ASCII：中文<测试>&ok

为什么空格不转成  ：  解码后是不换行空格（U+00A0），不是普通空格（U+0020）——转了会改变语义，编码再解码就对不回去了。工具保持空格原样，保证编码 → 解码往返一致。

五、选择顺序：先问「要保留什么」

需求	用哪个
只要人读的文字	去标签
要保留标题、列表、表格结构	转 Markdown
入库、防注入	实体编码（必要字符级）
塞进不确定编码的通道	实体编码（全部非 ASCII）

三者都在浏览器本地完成，含业务数据的内容也可以放心粘贴。

六、直接算

→ HTML 转 Markdown：结构化转换，表格与列表保留

→ 去 HTML 标签：纯文本输出，含实体还原与统计

→ HTML 实体编码：解码与两种级别的编码