文本处理 本地计算 开箱即用 内置示例 不留痕迹

去除 HTML 标签（提取纯文本）

把源码里的 <div>、<a>、<style> 等标签去掉，只留下文字。&amp;、&#20320; 这类实体会还原成符号，块级标签与 <br> 会变成换行。适合从后台编辑器、邮件源码、抓取结果里取正文；也可以在「处理方式」里选择保留脚本样式文本、保留实体原文或按原样保留空行。

把网页源码里的标签去掉、只留文字，是处理抓取结果、后台编辑器导出内容与邮件源码时的常规动作。这个工具会移除标签、把实体符号还原（如 &amp; 还原成 &、&#20320; 还原成汉字），并把块级标签与换行标签转成换行，尽量保住原有段落结构。

两点预期需要说明：script 与 style 会连内容一起丢弃 —— 它们不属于正文，留着只会变成噪声；另外这个工具只做「提取」不做「净化」，输出的是纯文本而非可直接渲染的 HTML，因此不能用它来防 XSS（要防注入应使用白名单净化库）。

—
—
—
—
—

使用步骤

  1. 把 HTML 源码粘进输入框，结果区立即给出纯文本。
  2. 看下方统计：移除了多少标签、解码了多少实体、丢弃了几个脚本样式块。
  3. 换行被合并得厉害时，在处理方式里选择保留空行的选项再试一次。
  4. 结果里若残留尖括号，通常是源码本身有未闭合或不规范的标签，需回源检查。

计算原理与示例

基本用法

把 HTML 源码粘进输入框，结果区立即给出纯文本，下方的统计会告诉你移除了多少个标签、解码了多少个实体、丢弃了几个脚本样式块。复制按钮拿到的是可直接使用的文本。

四种处理方式怎么选

默认的「标准」方式适合读正文：脚本与样式连内容一起丢掉，块级标签和 <br> 转成换行，实体解码成符号，多余空白折叠。要保留前端代码片段时选「保留脚本与样式文本」；想先看清原文里的实体写法（例如排查 &nbsp; 到底在哪）选「保留实体原文」；格式化后的 HTML 每行都被包了一层标签、希望保留原有空行节奏时选「不折叠空格与空行」。

它不是 XSS 过滤器

标签是用正则剥离的，对合法 HTML 效果好、速度快，但它不做语法解析、也不判断标签是否安全。要把它当作「取文字」的工具，不能当作防注入手段——用户提交的内容必须由服务端做转义与白名单过滤，而不是靠前端去掉尖括号。

口径：正则剥离标签（<!-- 注释 --> 与 <script>/<style> 默认连内容一起移除）；块级标签与 <br> 按「换行」处理，其余标签直接删除；关闭折叠时按原样保留空白与空行；实体解码覆盖十/十六进制数字实体与常见命名实体，未知实体原样保留。不做 HTML 语法解析，也不做安全过滤。

代码示例

JavaScript 浏览器里提取纯文本（更可靠） 

// 交给浏览器解析，比正则可靠得多
// （正则处理不了嵌套标签与属性值里的尖括号）
const toText = (html) => {
  const doc = new DOMParser().parseFromString(html, 'text/html');
  doc.querySelectorAll('script, style').forEach((el) => el.remove());
  return doc.body.innerText || doc.body.textContent || '';
};

// 若要把它渲染回页面，仍需白名单净化
// toText('<p>正文 &amp; 符号</p>')  →  '正文 & 符号'

Shell 命令行提取（先剔除脚本样式块） 

# 先删 script/style 整块，再剥标签（顺序不能反）
sed -e '/<script/,/<\/script>/d' -e '/<style/,/<\/style>/d' page.html \
  | sed -e 's/<[^>]*>//g' \
  | grep -v '^[[:space:]]*$' > text.txt

# 用 lynx / w3m 更省事（保留换行与列表结构）
lynx -dump -nolist page.html > text.txt

常见问题

为什么脚本和样式的内容消失了？

这是默认行为，也是「取正文」的正确取向：<script> 里是 JS 代码、<style> 里是 CSS 规则，都不是给人读的文字，混进结果会让正文没法用。如果你想分析这些代码，把处理方式改成「保留脚本与样式文本」即可，统计里的「丢弃脚本样式块」会归零。

&amp; 这类符号能一起处理吗？

能，默认就会还原：&amp; → &、&lt; → <、&nbsp; → 不换行空格、&#20320; → 你、&#x4F60; → 你（十进制与十六进制都支持），常见命名实体也都覆盖。若想保留原样写法，把处理方式切成「保留实体原文」即可。

这个工具能防止 XSS 攻击吗？

不能，也不该这么用。它只是把标签当字符串删掉，绕过方式（如畸形嵌套、属性里藏代码、编码变体）它一概不管。防御 XSS 必须由服务端在输出时按上下文转义，或使用成熟的白名单过滤器；把「前端去标签」当成安全措施是常见误区。

表格里的内容会变成什么样？

会按单元格文本顺序拼接，每个 </tr> 与 </td> 附近的换行会让不同行分开，但列与列之间的对齐关系会丢失——纯文本里没有表格结构。如果表格数据还要用，建议直接复制到表格处理工具里（或用 CSV 转换工具），别指望从纯文本还原列。

结果里为什么还残留了尖括号或半截标签？

因为剥离是按正则做的，对格式不规范的源码（标签没闭合、属性里带未转义的 >、模板语法混排）可能漏掉一小段。另外正文里本来就写着 &lt;div&gt; 这类转义内容，解码后会出现 <div> 字样——那是正文，不是残留标签，可用「保留实体原文」区分。

换行全没了怎么恢复？

两种情况：一是源码本身用 <div> 分行、而处理方式选了不含换行的预设；二是转换结果被粘贴到单行输入框里。回到「标准」方式会把块级标签与 <br> 转成换行；若源码本身没有换行语义，任何工具都无从恢复，只能手工整理。

处理结果能直接粘回网页或邮件吗？

能，但要清楚它已经是纯文本：原来的粗体、链接、列表结构都不会保留，粘进富文本编辑器里也只是一段普通文字。要保留结构就别用这个工具，直接在编辑器里做「粘贴为纯文本」或使用对应的转换工具。

这个页面会把我的源码上传吗？

不会。处理在浏览器内完成，输入不经过服务器，也不写入 localStorage——邮件源码、后台页面片段这类内容可以放心粘贴。

延伸阅读

来自本站原创文章，讲清这个工具背后的算法与口径。