把网页·HTML 源码转换为纯文本

手上只有 HTML 源码时——比如博客编辑器的 HTML 视图、邮件模板、CMS 导出文件——有时只想提取正文文字。手动删除标签，很容易残留 & 这样的实体和脚本代码。

基本流水线

内置配方的顺序如下。

1. 删除 HTML 标签 — 删除标签，把块级边界转为换行，把实体转为字符。
2. 整理不可见字符·引号 — 把由   转换来的 NBSP（U+00A0）和弯引号整理为普通字符。
3. 删除首尾空格 — 删除因源码缩进而残留在行首的空格。
4. 删除空行 — 用“连续空行合并为一行”把段落之间的空白统一为一行。
5. 整理连续空格·制表符 — 把行内的多个空格缩减为一个。

删除标签时处理的内容

• 注释和可执行代码：<!-- --> 注释以及 <script>、<style>、<noscript>、<template> 元素会连同内容一起删除。如果只删标签，JavaScript 或 CSS 代码就会像正文一样残留下来。
• 块级标签与换行：开启“块级标签·<br> 转为换行”后，会在 <br> 以及 p、div、h1~h6、li、tr 等块级元素的边界处换行。开始标签和结束标签都会变成换行，因此会产生空行，三行以上连续的空行会缩减为两行。
• 表格：单元格的结尾（</td>、</th>）会转为制表符。把结果粘贴到电子表格中，列就会分开。
• 实体：开启“解析 &amp; 等实体”后，会把 & < > "   … 这样常用的命名实体以及 ' ' 这样的数字实体转换为实际字符。工具不认识的命名实体保持原样。

<h2>公告</h2>
<p>本周维护时间：周六&nbsp;22:00。<br>如有疑问请到 Q&amp;A 版块留言。</p>
<ul><li>周一：服务器</li><li>周三：数据库</li></ul>
<script>track();</script>

上面的源码会被整理成下面这样。

公告

本周维护时间：周六 22:00。
如有疑问请到 Q&A 版块留言。

周一：服务器

周三：数据库

如果不希望列表项之间留有空行，请选择“删除所有空行”来代替连续空行合并。不过这样一来，段落之间的空行也会一起消失。

想保留表格结构时

配方的最后一步“整理连续空格·制表符”默认开启“制表符也合并为空格”，会把表格中的制表符转为空格。删除首尾空格也会删除行首行尾的制表符。如果要把表格当作制表符分隔的数据使用，请关闭“整理连续空格·制表符”的“制表符也合并为空格”，并关闭删除首尾空格这一步。

与从浏览器屏幕复制的区别

在网页上用鼠标拖选复制，与用本工具整理 HTML 源码，结果是不同的。

• 本工具不解析 CSS。用 display:none 隐藏的元素中的文字也会保留在结果中。
• 图片的替代文本（alt）和链接地址（href）会随标签一起消失。如果需要链接地址，请在删除标签之前从源码中另行确认。
• 如果 HTML 源码中把一句长句分成多行书写，这些换行会原样保留。这种情况下，在后面加上能把段落内各行接起来的 修复 PDF 复制的换行 会有帮助。
• 在 <span> 这类非块级元素的边界处既不插入换行也不插入空格，所以源码中没有空格、紧挨着的元素，其文字会连在一起输出。

邮件模板中的隐藏字符

新闻通讯的 HTML 中，有时会为了控制收件箱里的预览文字而放入几十个 ‌、​ 这样的不可见字符。删除标签时会把这些实体转换为零宽非连接符（U+200C）和零宽空格（U+200B），配方的第二步会把它们删除。如果关闭“整理不可见字符·引号”这一步，这些字符就会留在结果中，表面上完好的文本在搜索或比较时可能对不上。

如果想在列表项前重新加上项目符号，请在配方后加入“在行首行尾添加字符”，在行首填入 - 。不过它会加到每一行上，所以不适合标题与段落混在一起的结果。

注意

• 标签的删除以“< 后面跟英文字母、并以 > 结束”的形式为准。属性值中含有 > 的少见源码可能会残留一部分。
• 实体是在删除标签之后才解析的，所以源码中的 <b> 不会被当作标签处理，而是作为 <b> 这几个字符保留。这是有意为之的行为。

检查清单

• 先粘贴完整的源码，套用配方试试。
• 如果要用表格，关闭会删除制表符的步骤。
• 如果需要链接地址，在删除标签之前先保存下来。

最后更新: 2026-09-23