关于此工具
在日常数据清洗、搜索引擎网络爬虫数据加工、文本挖掘、大语言模型(LLM)训练语料提取以及邮件正文提取中,网页源码往往充斥着海量的 `<div>`、`<script>`、`<style>`、内联属性及各类复杂的 HTML 标签。如何从繁杂的网页源码中剔除干扰标签、剥离 CSS 样式与广告脚本,抽取出结构规整、段落清晰的人类可读纯文本正文?本工具提供纯前端 DOM 树解析与文本抽取,自动处理换行折叠、超链接提纯与字符实体反解。
如何使用本工具(操作步骤)
粘贴待转换的 HTML 网页源码
在左侧输入框粘贴从浏览器“查看源代码”复制的完整网页 HTML、富文本编辑器导出的正文或抓取的数据片段。
配置提取规则与链接保留选项
选择是否自动保留超链接(如 `[链接文字](url)`)、是否保留图片说明文本、以及是否自动忽略内部 `<script>` 与 `<style>` 样式脚本。
查看纯净正文并一键复制导出
右侧即刻实时渲染剔除标签后的纯文本结果,段落层次分明,点击复制按钮一键贴入 Word、Notion 或 Markdown 笔记中。
自动彻底剥离 `<script>` 与 `<style>` 干扰内容
智能识别并连同标签内部的 CSS 样式代码与 JavaScript 脚本逻辑一并彻底剔除,绝不将代码乱码混杂进正文中。
智能将块级元素转换为自然段落换行
针对 `<p>`、`<div>`、`<h1>-<h6>`、`<li>` 等块级容器,自动在前后插入换行符,完美保留文章原有的段落层次感。
纯本地离线提取,文档草稿绝对私密
所有 DOM 解析与字符提取在本地浏览器内存中完成,未发布的商业合同、企业保密邮件正文绝无外部泄密风险。
网页正文抓取避坑指南与空白清理技巧
- •自动反解 HTML 实体符号(Entities):网页中大量的 ` `(空格)、`"`(引号)、`&`(与符号)在转换后会被自动还原为对应的人类可读字符,无需手工二次查找替换。
- •列表项(`<li>`)前自动补齐项目符号:转换时在每个 `<li>` 标签前自动追加圆点符号(`• `),确保清单条目即使在纯文本环境下依然保持层级分明的排版感。
- •去除多余连续空行:很多网页在嵌套了大量 `<div>` 之后,提取出的文本会出现连续三四个空白行。开启“折叠多余空行”选项可将连续空行统一收缩为单个空行,文章更紧凑。
代码与转换对比示例
包含脚本与样式的杂乱 HTML 网页转纯文本前后对照
<style>.box{color:red;}</style>
<div class="article">
<h1>产品更新公告</h1>
<p>经过团队数周的努力,<strong>Toolbox 2026</strong> 正式发布上线!</p>
<p>访问我们的 <a href="https://example.com">官方主页</a> 了解更多。</p>
</div>
<script>trackUser();</script>产品更新公告
经过团队数周的努力,Toolbox 2026 正式发布上线!
访问我们的 官方主页 (https://example.com) 了解更多。* 脚本和样式被无残留剥离,块级标题与段落之间自动保留了清晰的双换行。
现代浏览器利用 DOM 原生提取纯文本核心代码
function htmlToPlainText(html) {
const parser = new DOMParser();
const doc = parser.parseFromString(html, 'text/html');
// 移除所有 script 与 style 节点
doc.querySelectorAll('script, style').forEach(el => el.remove());
// innerText 会自动遵循浏览器的渲染规则处理换行
return doc.body.innerText || "";
}textContent 会把隐藏的 CSS 代码原样提取出来且不带块级换行;而 innerText 会感知 CSS 盒模型,将 <div> 与 <p> 渲染为自然换行!* `innerText` 是浏览器最符合人类视觉排版规律的文本提取接口。
常见问题解答
Q: 为什么直接用正则表达式 `/<[^>]*>/g` 剔除标签是不严谨的?
A: 因为单纯匹配 `<...>` 标签会导致 `<style>` 和 `<script>` 内部的代码内容被作为纯文本暴露残留下来!而且如果正文中本来就含有数学比较符(如 `3 < 5`),简单正则会把正文后面的内容直接吃掉破坏掉!必须基于真实的 DOM 树解析。
Q: 转换后会保留表格(`<table>`)的行列对齐结构吗?
A: 系统会将每个表格单元格(`<td>`)之间插入制表符(Tab `\t`)分隔,每行(`<tr>`)之后插入换行,转换后的文本可直接粘贴进 Excel 表格中自动分列入格。
Q: 单次粘贴几万字的长篇 HTML 文档会卡顿吗?
A: 完全不会。基于浏览器原生 C++ 实现的虚拟 DOM 解析器运行,数十万字符的整本电子书 HTML 源码可在百毫秒内解析完毕,体验行云流水。