如何去除html_去除HTML标签提取纯文本内容【提取】

提取HTML字符串纯文本有五种方法：一、正则表达式去除标签；二、浏览器DOM解析器（textContent）；三、Python html模块+正则或BeautifulSoup；四、Node.js jsdom模拟DOM；五、命令行工具如pup批量处理。

如果您需要从一段包含HTML标签的字符串中提取出纯文本内容，去除所有HTML标记，则可能是由于需要将网页源码、富文本编辑器输出或邮件HTML内容转换为可读的纯文本。以下是实现此目标的多种方法：

一、使用正则表达式匹配并移除HTML标签

该方法通过匹配尖括号及其内部内容，将所有HTML标签替换为空字符串，从而保留标签之间的文本。适用于简单HTML结构，不依赖外部库，适合轻量级处理。

1、定义一个包含HTML标签的字符串，例如："

欢迎

2、编写正则表达式 /]*>/g，用于全局匹配所有成对或单个的HTML标签。

立即学习“前端免费学习笔记（深入）”；

3、调用字符串的 replace() 方法，将匹配到的所有标签替换为空字符串。

4、检查结果是否残留换行符或多余空格，必要时追加 .replace(/\s+/g, ' ').trim() 进行规范化。

二、利用浏览器原生DOM解析器进行安全剥离

该方法借助浏览器内置的 DOMParser 或临时创建 p 元素，让浏览器自动解析HTML并提取文本节点内容，能正确处理嵌套、自闭合及实体字符，比正则更健壮。

1、创建一个临时的 p 元素：const temp = document.createElement('p');。

2、将含HTML的字符串赋值给该元素的 innerHTML 属性：temp.innerHTML = htmlString;。

3、读取其 textContent 属性值：const text = temp.textContent;。

4、若需兼容IE8及更早版本，改用 innerText，但注意其会受CSS样式影响。

三、使用服务端语言内置函数（以Python为例）

在服务端环境中，可调用语言标准库提供的HTML解析工具，避免手动正则带来的误删风险，尤其适合处理含脚本、注释或不规范嵌套的HTML片段。

1、导入 html 模块（Python 3.2+）：import html。

标签： css python html js 前端 node.js node go 正则表达式 npm 浏览器 工具 mac m