无需浏览器环境，在JS中将HTML转换为纯文本

Question

我有一个 CouchDB 视图映射函数，可以生成存储的 HTML 文档的摘要（文本的前

x

字符）。不幸的是我没有浏览器环境来将 HTML 转换为纯文本。

目前我使用这个多阶段正则表达式

html.replace(/<style([\s\S]*?)<\/style>/gi, ' ')
    .replace(/<script([\s\S]*?)<\/script>/gi, ' ')
    .replace(/(<(?:.|\n)*?>)/gm, ' ')
    .replace(/\s+/gm, ' ');

虽然它是一个非常好的过滤器，但它显然不是一个完美的过滤器，有时会漏掉一些剩菜。有没有更好的方法可以在没有浏览器环境的情况下转换为纯文本？

Answer 1

这个简单的正则表达式有效：

text.replace(/<[^>]*>/g, '');

它会删除所有锚点。

实体，如

<

不包含 <, so there is no issue with this regex.

Answer 2

将 HTML 转换为纯文本（例如 Gmail）：

html = html.replace(/<style([\s\S]*?)<\/style>/gi, '');
html = html.replace(/<script([\s\S]*?)<\/script>/gi, '');
html = html.replace(/<\/div>/ig, '\n');
html = html.replace(/<\/li>/ig, '\n');
html = html.replace(/<li>/ig, '  *  ');
html = html.replace(/<\/ul>/ig, '\n');
html = html.replace(/<\/p>/ig, '\n');
html = html.replace(/<br\s*[\/]?>/gi, "\n");
html = html.replace(/<[^>]+>/ig, '');

如果你可以使用

jQuery

：

var html = jQuery('<div>').html(html).text();

Answer 3

使用 TextVersionJS (https://github.com/EDMdesigner/textversionjs)，您可以将 HTML 转换为纯文本。它是纯 JavaScript（带有大量正则表达式），因此您也可以在浏览器和 Node.js 中使用它。

在node.js中它看起来像：

var createTextVersion = require("textversionjs");
var yourHtml = "<h1>Your HTML</h1><ul><li>goes</li><li>here.</li></ul>";

var textVersion = createTextVersion(yourHtml);

（我从页面复制了示例，您必须先 npm 安装该模块。）

Answer 4

你可以试试这个方法。

textContent

和

innerText

它们都不兼容所有浏览器：

var temp = document.createElement("div");
temp.innerHTML = html;
return temp.textContent || temp.innerText || "";

Answer 5

将@EpokK html 答案更新为电子邮件文本版本用例

const htmltoText = (html: string) => {
  let text = html;
  text = text.replace(/\n/gi, "");
  text = text.replace(/<style([\s\S]*?)<\/style>/gi, "");
  text = text.replace(/<script([\s\S]*?)<\/script>/gi, "");
  text = text.replace(/<a.*?href="(.*?)[\?\"].*?>(.*?)<\/a.*?>/gi, " $2 $1 ");
  text = text.replace(/<\/div>/gi, "\n\n");
  text = text.replace(/<\/li>/gi, "\n");
  text = text.replace(/<li.*?>/gi, "  *  ");
  text = text.replace(/<\/ul>/gi, "\n\n");
  text = text.replace(/<\/p>/gi, "\n\n");
  text = text.replace(/<br\s*[\/]?>/gi, "\n");
  text = text.replace(/<[^>]+>/gi, "");
  text = text.replace(/^\s*/gim, "");
  text = text.replace(/ ,/gi, ",");
  text = text.replace(/ +/gi, " ");
  text = text.replace(/\n+/gi, "\n\n");
  return text;
};

Answer 6

如果你想要准确的东西并且可以使用 npm 包，我会使用 html-to-text。

来自自述文件：

const { htmlToText } = require('html-to-text');

const html = '<h1>Hello World</h1>';
const text = htmlToText(html, {
  wordwrap: 130
});
console.log(text); // Hello World

仅供参考，我在 npm 趋势上发现了这一点； html-to-text 似乎是我的用例的最佳选择，但您可以在此处查看其他选项。

Answer 7

很简单，你也可以实现一个“toText”原型：

String.prototype.toText = function(){
    return $(html).text();
};

//Let's test it out!
var html = "<a href=\"http://www.google.com\">link</a>&nbsp;<br /><b>TEXT</b>";
var text = html.toText();
console.log("Text: " + text); //Result will be "link TEXT"