HTML转纯文本工具怎么用？把网页内容剥成干净文本做分析

摘要：从网页上扒下来的内容，满是标签、脚本、样式和乱码实体，想拿来分析、存档或者喂给AI，第一步都得先洗成干净的纯文本。这篇用一个HTML转纯文本工具当例子，把它背后那套剥标签的逻辑讲透——它怎么把script和style整段删掉、把块级元素转成换行、把列表的圆点和表格的分隔保下来、把那些转义实体还原成正常字符。顺带掰扯清楚几件容易踩坑的事：标题层级为什么会丢、CSS隐藏的文字它会不会照样提出来、JS渲染的内容它为什么够不着，以及在SEO里它怎么帮你做竞品内容拆解、清洗素材喂AI、富文本导出存档这些活儿，又有哪些它根本做不到。

做内容、做SEO，免不了要跟网页源码打交道。你可能想把竞品的产品描述扒下来对比一下，可能想把一篇富文本编辑器里写的稿子导成纯文本备份，也可能想把一段网页内容塞给AI去分析。但凡涉及「从HTML里把文字抠出来」，你都会撞上同一个问题：原始HTML里塞满了标签、脚本、内联样式，还有一堆以和号开头的转义实体，直接看一团糟，直接用更是没法用。

这种把HTML洗成纯文本的脏活累活，交给一个HTML转纯文本工具最省心。你把网页源码贴进去，它一处理，标签没了、脚本没了、实体还原了，留给你的是一份干干净净、能直接读能直接用的文字。这篇就用一个这样的工具当例子，把它怎么剥标签、怎么保结构、在SEO里怎么用、又有哪些边界，一条条讲明白。

HTML转纯文本工具到底是做什么的？

它的定位很直接：输入一段HTML源码，输出一份格式化过的纯文本。所谓「格式化过」，是说它不只是粗暴地把尖括号里的东西全删光，而是带着点脑子——该删的脚本样式整段删，该换行的段落标题转成换行，列表的圆点、表格的分隔这些有意义的结构尽量保下来，让你拿到的文本既干净又不至于糊成一坨。

换句话说，它要解决的是「内容和噪声混在一起」的问题。一个网页里，真正有价值的是正文文字，但这些文字被埋在层层标签、脚本、样式之间。工具的活儿，就是把噪声剥掉、把内容留下，还顺手保留一点必要的结构感。对要反复处理网页内容的人来说，这是个能省下大量手工删改时间的工具。

它是怎么把标签剥干净的？分三步走

这个工具剥标签不是一刀切，而是分阶段处理，顺序很关键。第一步，先用正则把那些「内容也不要」的标签整段删掉——script脚本、style样式、head头部、noscript，还有HTML注释。这些标签里的东西对纯文本毫无意义，连标签带内容一起清掉。

第二步，是按你的选项做有条件的处理——链接要不要保留URL、图片要不要留alt、列表要不要留圆点、表格要不要留分隔，这些都在这一步按开关决定。第三步，才是把剩下的所有标签统一清除，只留下纯文字。这个「先整段删、再按需处理、最后统一清」的三段式，保证了重要结构在被删之前先被转换成对应的文本标记，不会被误伤。

为什么script和style要连内容一起删掉？

有人会问：剥标签不就是去掉尖括号吗，为什么script和style要把里面的内容也一并删了？因为这两类标签里装的根本不是给人看的文字。script里是JavaScript代码，style里是CSS样式规则，它们是写给浏览器执行和渲染用的，对一份「给人读的纯文本」来说是纯粹的垃圾。

如果只删标签不删内容，你会得到一堆`function() { var x = ...}`的代码碎片和`.class { color: red }`的样式片段，混在正文里惨不忍睹。所以工具的处理是连标签带内容整段删除，一干二净。这也是为什么它能很好地去掉网页里的广告代码——大多数广告埋在script标签里，整段删掉的同时，广告也跟着没了。

块级元素为什么要转成换行，而不是直接删？

段落、标题、div、列表项这些块级元素，如果只是简单删掉标签，你会发现原本分成好几段的文字全黏成了一行，读起来要人命。所以工具对块级元素的处理不是删，而是转——把它们转成换行符。

这背后是HTML对元素的一个基本分类：块级元素天生就会另起一行、独占一行的水平空间，段落与段落之间、标题与正文之间，视觉上本就是分开的。工具把这种「视觉上的分行」翻译成纯文本里的「换行符」，正文的段落感就保住了。它处理的块级标签是一长串，包括p、div、各级标题、article、section、header、footer、blockquote、pre这些，外加单独的br换行标签转成换行、hr分隔线转成一行短横线。这样转完，纯文本读起来还是一段一段的，不会糊成一团。

标题的层级会丢吗？这条得心里有数

这里有个要诚实交代的局限：标题会保留，但标题的层级信息会丢。工具把h1到h6全都一视同仁地转成换行，并不会像Markdown那样在标题前加井号、也不会用缩进来体现「这是一级标题、那是二级标题」的层级关系。

这意味着，如果你的目的是从网页里提取出一份带层级的大纲（比如想还原文章的目录结构、或者分析竞品文章的H标题骨架），这个工具帮不了你——它给你的是「标题文字独占一行」，但哪行是大标题、哪行是小标题，看不出来。要做标题层级分析，得用专门看HTML骨架的工具。这个工具的定位是「把内容洗成可读文本」，不是「解析文档结构」，两个目标不一样，别用错。想做HTML结构层级审计，可以看我们拆过的HTML结构分析器的方法，它专门干提取标题骨架这件事。

列表的圆点符号是怎么保下来的？

列表是网页里很常见的结构，一个个并列的要点，如果转纯文本时把列表标记全丢了，几个要点就黏成一段，读者分不清这是分点陈述还是一整段话。所以工具给了个选项：保留列表结构。

勾上之后，每个列表项前面会加上「两个空格加一个圆点」的标记，也就是常见的项目符号样式。这样转出来的纯文本里，列表项依然是一行一个、前面带圆点，视觉上的「这是一份清单」的感觉就保住了。这个细节看着小，但对保留内容的可读性很重要——尤其是产品页的卖点清单、教程的步骤列表这类内容，圆点一保留，结构立马清晰。如果你不勾这个选项，列表项就只剩纯文字，圆点和缩进都没了。

表格怎么变成能贴进Excel的格式？

表格是HTML里最麻烦的结构之一，二维的数据硬要塞进一维的纯文本，怎么处理都有损失。这个工具的做法是用制表符和换行来还原表格的行列关系：每个单元格之间用制表符（也就是Tab）分隔，每一行结束用换行。

这么处理有个很实用的好处——制表符分隔的文本，直接复制粘贴进Excel或者Google表格，会自动按制表符拆分到不同的列里，表格结构基本能还原。所以如果你想从网页上扒一个数据表格下来整理，用这个工具转一下，再贴进表格软件，比手工一格格抄快得多。不过要提醒，这个处理对简单的二维表格管用，遇到那种有合并单元格、嵌套表格的复杂报表，就会错位，这个后面单独说。

链接是只留文字，还是连网址一起留？

网页里的超链接，转纯文本时怎么处理是个选择题：是只保留链接的文字、把网址扔掉，还是把网址也留下来？工具给了个开关让你自己定。

不勾保留链接，那就只留下链接的显示文字，网址丢掉，文本最干净。勾上保留链接，工具会把链接转成「显示文字加上圆括号包起来的网址」这种格式，也就是文字后面紧跟一对圆括号、里面装着网址，这样你既看到了链接文字，也知道它指向哪。这里还有两个贴心的处理：如果链接没有显示文字，就只留网址；如果显示文字本身就是网址，那就不重复，只留一个。什么时候该保网址？如果你是要把内容存档、或者做成邮件的纯文本版，链接的目标地址往往很重要，勾上保留更稳妥；如果只是要正文文字做分析，不勾更清爽。

图片没了，alt描述还能留住吗？

纯文本里显然没法放图片，但图片的alt替代文字往往是有信息量的——它描述了图片的内容。工具给了个选项，让你决定要不要把alt留下来。

勾上保留图片，工具会把每个图片转成一个带方括号的标记，方括号里是「图片」二字加冒号再加alt文字，比如显示成「图片：红色连衣裙正面图」这样，这样图片的位置和它的描述就在文本里留了个痕迹。如果图片没有alt，就只留一个「图片」占位标记。要注意，它只提取alt这一个属性，图片的真实地址src、尺寸、标题title这些都不管。对SEO来说，alt文字本就是图片优化的重点，能把它单独提出来扫一遍，顺便也能检查竞品的图片alt写得怎么样。不勾这个选项，图片就彻底没了，一点痕迹不留。

那些转义实体，是怎么还原成正常字符的？

从网页扒下来的文本里，经常夹着一串以和号开头、分号结尾的转义码——比如表示不间断空格的那种、表示和号本身的、表示尖括号的、表示长破折号的，这些叫HTML实体，是网页里用来表示特殊字符的转义写法。如果不还原，纯文本里就会留着这些奇怪的代码，很碍眼。工具用两层处理来还原它们。

第一层是对最常见的一批实体做快速替换——把不间断空格的实体换成空格、把和号的实体换成普通和号字符、把尖括号的实体换成尖括号、把长破折号、省略号、版权符的实体都换成各自对应的字符，等等。第二层是兜底，调用一个标准的解码函数把剩下的、尤其是数字形式的实体（比如表示欧元符号的那种数字编码）也一并还原。

这个第二层兜底用的标准函数，就是PHP的html_entity_decode官方函数，它能把各种有效的命名实体和数字实体转回对应的字符。两层一配合，常见的快、生僻的也不漏，最后给你的文本里就不会再有这些转义代码了。

三种换行模式，压缩、单行、正常该选哪个？

转出来的纯文本，换行该怎么排，工具给了三种模式应对不同需求。第一种是正常模式，也是默认的——每行内部的多余空格折叠成一个，段落之间的空行保留但不让它无限多，超过三行连续空行会被压到两个空行，读起来既分段清晰又不至于到处是大片空白。

第二种是单空行模式，比正常模式更紧凑，段落之间最多留一个空行，把多余的空行进一步压掉，适合你想要内容连贯、不要太多留白的场景。第三种是压缩模式，最狠——所有换行和多余空格全合并成单个空格，整段内容挤成一行，适合你只要文字、完全不在乎排版，比如要把内容当成一个连续的字符串去处理的时候。日常做内容分析、存档，用默认的正常模式就好；要喂给AI做prompt、想分段清晰，单空行模式不错；要当数据处理，压缩模式最方便。

多余的空格和空行，是怎么清理干净的？

网页源码里，因为缩进、格式化的缘故，往往有大量多余的空格、制表符和空行，剥完标签如果不清理，纯文本里就会东一块空白西一块空行，乱七八糟。工具对此有专门的清理。

对行内的多余空格，它把连续的多个空格、制表符统一折叠成一个空格。对空行，它默认会把超过三行的连续换行压到两个空行（也就是中间留一个空行），避免出现大片空白。如果你嫌空行碍事，还有个「删除空行」的选项，勾上之后所有完全的空行都被清掉，只留有内容的行，文本最紧凑。这些清理逻辑加起来，保证了你拿到的纯文本是规整的——该分段的地方分段，不该留白的地方不留白。

怎么用它做一次完整的HTML清洗？

把这个工具用顺手，其实就几步，这里给一套可以照搬的流程。

1. 拿到HTML源码。在浏览器里对着目标内容右键「查看页面源代码」或「检查」，把相关的HTML片段复制下来，贴进工具的输入框。
2. 按需求设置选项。要做内容分析、不在乎链接图片，就都不勾，要最干净的正文；要存档或做邮件版，勾上保留链接；想留图片描述，勾上保留图片；内容里有清单、表格，勾上对应的保留选项。
3. 选换行模式。常规清洗用默认的正常模式；要喂AI用单空行；要当数据处理用压缩模式。嫌空行多就再勾上删除空行。
4. 点转换、看结果。工具会输出处理好的纯文本，同时给你一组统计——原始HTML多大、纯文本多大、压缩了多少、删了多少标签，对清洗效果有个量化的判断。
5. 复制或下载。确认文本干净了，直接复制走，或者下载成txt文件存档。需要进一步分析字数、可读性的，再拿去下一个工具处理。

这套流程的核心是「先想清楚你要这份文本干嘛，再据此设选项」——目的不同，链接图片留不留、换行多紧凑，选择都不一样，没有一套设置能通吃所有场景。

SEO场景一：采集竞品内容做拆解分析

做SEO，研究竞品是基本功。竞品的某个排名很好的页面，正文写了多少字、覆盖了哪些点、用了什么结构，都是值得拆解的情报。但你总不能对着满是标签的源码去数，得先把正文洗成纯文本。

用这个工具，把竞品页面的HTML贴进去，剥成纯文本，你就能清楚地看到它的正文内容，再拿去数字数、看结构、提关键词。这里要诚实划一条线：采集竞品内容来做分析、找差距、定选题，这是正当的研究；但如果你把扒下来的内容整段搬运、改头换面发到自己站上，那就触碰红线了。

Google明确把这种没有附加价值的整段复制定义为抓取式垃圾内容，Google搜索中心的垃圾内容政策里专门讲了，哪怕你做了改写、洗了稿，只要没有提供原创的见解、数据或视角，照样可能被判为重复或抓取内容而降权。工具是用来做研究的，不是用来抄的，这条底线得守住。

SEO场景二：把脏HTML洗成干净文本喂给AI

现在很多SEO工作都要借助AI——让AI帮你分析一段内容、总结要点、提炼大纲、甚至改写。但如果你直接把带满标签的HTML丢给AI，会有两个问题：一是标签噪声会干扰AI对内容的理解，二是这些标签白白占用了宝贵的token额度。

先用这个工具把HTML洗成纯文本再喂给AI，效果明显更好。AI对纯文本的理解准确度，本就高于对夹杂标签的源码。具体设置上有几个建议：保留链接可以打开，让AI知道内容里引用了哪些参考；保留图片建议关掉，图片的alt对纯文字分析意义不大，关掉能省内容；换行模式选单空行，段落之间清晰，方便你在prompt里做分段。洗干净再喂，AI给你的分析和总结质量会扎实不少，token也花得更值。

SEO场景三：富文本编辑器导出纯文本做存档与邮件版

用WordPress、Notion、语雀这类富文本编辑器写的内容，底层都是HTML。有时候你需要它的纯文本版——比如要做内容的长期纯文本存档、要生成邮件的text/plain版本、要把内容迁移到一个不支持富文本的系统里。这时候就需要把富文本的HTML转成纯文本。

把富文本编辑器里的HTML导出来贴进工具，转成纯文本，就能拿到一份不依赖任何格式的文字版。做邮件纯文本版时，建议保留链接，让收件人在纯文本客户端里也能看到链接地址；换行用正常模式，保留段落感，读起来舒服；勾上删除空行，压掉多余留白，邮件体积也小一点。一份干净的纯文本存档，不依赖任何编辑器和格式，几年后照样能打开能读，比锁死在某个平台里的富文本可靠得多。

它处理不了JS渲染的内容，这条必须知道

这是个根本性的局限，用之前必须心里有数：这个工具只处理你给它的HTML源码本身，它不执行JavaScript。它对script标签的处理是直接整段删掉，根本不会去解析、更不会去运行里面的代码。

这意味着什么？现在很多网站是用React、Vue这类前端框架做的，页面的正文内容不是写死在HTML源码里，而是靠JavaScript在浏览器里动态渲染出来的。这种页面，你「查看源代码」拿到的初始HTML里，正文位置可能是空的，真正的内容要等JS跑完才出现。把这种空壳HTML丢给工具，它转出来自然也是空的——因为源码里压根没有那些文字。遇到JS渲染的站，正确的做法是用浏览器的「检查」功能去复制渲染后的DOM，而不是「查看源代码」复制初始HTML，这样才能拿到真正的内容。

CSS隐藏的文字，它会照样提取出来吗？

这是个容易想当然的地方，得说清楚。有人以为，网页上用CSS隐藏掉的文字（比如设了display:none不显示的内容），工具会聪明地把它过滤掉。事实恰恰相反——它会照样把这些文字提取出来。

原因还是那条：它只处理HTML源码，不解析CSS。一段文字是不是被CSS隐藏了，得靠解析样式规则才知道，而工具不干这事。只要这段文字写在HTML源码里，哪怕它被CSS设成了不可见，工具照样会把它当正文提出来。这是它的工作方式决定的，不是bug。

这一点用的时候要留神：你转出来的纯文本，可能包含一些页面上肉眼看不到的隐藏文字。如果你是在分析竞品，这反倒可能帮你发现一些藏起来的内容；但如果你是在清洗自己的素材，就得手工把这些隐藏文字的残留删掉。诚实地说，工具做的是「源码层面的文本提取」，不是「所见即所得的可见内容提取」，这两者有区别。

复杂表格为什么会错位？

前面说了表格会用制表符和换行还原，但也提了一句复杂表格会错位，这里展开讲讲为什么。问题出在合并单元格上——HTML表格可以让一个单元格横跨好几列、或者纵跨好几行（也就是colspan和rowspan）。

但纯文本的「制表符分隔加换行」是个规整的二维网格，没法表达「这个格子占了三列」这种结构。工具遇到合并单元格，只能按它看到的标签老老实实地转，结果就是行与行之间的列对不齐，数据错位。嵌套表格（表格里还套着表格）就更乱了。所以这个工具的表格处理，适用范围是「规整的简单二维表」——没有合并、没有嵌套的那种。遇到结构复杂的报表，转出来多半要手工再调。知道这个边界，就不会拿它去硬啃复杂表格然后抱怨结果乱。

它和专业的正文提取算法有什么不同？

有一类更高级的技术叫正文提取（也叫去模板、去样板），代表是各种Readability类的算法，浏览器的「阅读模式」、稍后读应用背后用的就是这类技术。它们能从一个完整的网页里，智能地识别出「哪块是正文、哪块是导航栏、哪块是侧边栏广告」，只把正文抠出来。

这个HTML转纯文本工具，和那类算法不是一回事。它做的是「把你给的这段HTML里的所有文字都转成纯文本」，并不会去判断哪些是正文、哪些是导航。如果你把整个网页的源码贴进去，它会连导航菜单、页脚链接、侧边栏一起转出来，正文混在里面。所以用它做正文提取时，得靠你自己先把正文那块HTML挑出来再贴进去，它负责「转」，不负责「挑」。这是它和Readability类算法最大的区别——一个是听话的转换器，一个是智能的内容识别器，各有各的用处，别拿转换器去要求识别器的能力。

块级元素到底包括哪些标签？

前面反复提到「块级元素转换行」，那到底哪些算块级元素？这其实是HTML里一个挺基础但容易记混的分类。块级元素的特点是：它总是另起一行，并且在水平方向上会尽量占满父容器的宽度，从而形成一个独立的「块」。

常见的块级元素，包括段落p、各级标题h1到h6、通用容器div、列表和列表项、表格、引用块blockquote、预格式化块pre，还有HTML5里那些语义化的结构标签比如article、section、header、footer、nav、aside等等。

与之相对的是行内元素，比如强调em、加粗strong、超链接a、图片img，它们不会另起一行，只是嵌在文字流里。工具正是依据这个分类来决定「转换行还是不换行」的。想看块级元素的完整定义和它和行内元素的区别，可以查MDN关于块级内容的词条，它把这个分类讲得最权威清楚。

输入有大小限制吗？太大的网页能处理吗？

工具对单次输入的HTML大小是有上限的，大约是两兆字节。这个限制是为了防止超大的输入把处理拖垮，对绝大多数场景来说完全够用——一个普通网页的HTML源码通常也就几十到几百KB，离两兆还差得远。

什么时候会撞上这个限制？如果你想一次性处理一个内容极多的页面，或者把好几个页面的源码拼在一起贴进去，有可能超。遇到这种情况，拆开分批处理就好。日常清洗单个页面的内容，根本碰不到这个天花板。顺带一提，工具还支持直接抓取一个URL的内容来转，但抓的是服务器返回的初始HTML，对前面说的JS渲染的站同样无能为力——抓回来还是空壳，这点要记着。

为什么纯文本比HTML更适合做内容工作？

绕了这么大一圈，值得退一步想想：我们费劲把HTML转成纯文本，图的到底是什么？核心是纯文本的「干净」和「通用」。干净，是说它剥掉了所有跟内容无关的噪声，剩下的全是文字本身，无论是人读、机器分析还是AI处理，都不受干扰。

通用，是说纯文本不依赖任何特定的软件、格式、平台，任何系统、任何年代都能打开能读，是信息最稳妥的保存形态。做内容分析时，纯文本让你能专注于文字本身去数字数、看结构、提要点；做存档时，纯文本是最抗时间的格式；喂给AI时，纯文本噪声最低、token最省。HTML适合展示，纯文本适合处理——当你的目的是「处理内容」而不是「展示内容」时，先转成纯文本几乎总是对的第一步。这也是为什么内容清洗会成为很多SEO工作流的起点。

转换的统计数字里，藏着页面臃肿的信号

工具转换完，除了给你纯文本，还会附一组统计数字：原始HTML有多大、转出的纯文本有多大、压缩了百分之多少、删掉了多少个标签。这组数字别看着不起眼，里面藏着对SEO有用的信号。

最值得关注的是压缩比——纯文本占原始HTML的比例。如果一个页面剥完标签，纯文本只剩原始体积的零头，说明这个页面的HTML里，真正的文字内容占比极低，绝大部分都是标签、脚本、内联样式这些「壳」。HTML越臃肿，浏览器要下载和解析的东西越多，页面加载就越慢，而加载速度是实打实影响SEO和用户体验的。所以这个压缩比可以当成一个粗略的页面臃肿度指标：压缩比特别夸张的页面，值得去查查是不是内联了过多的脚本样式、是不是该做精简。它不能替代专业的性能工具，但能给你一个「这页是不是太重了」的第一直觉。

要拆解一批竞品页面，怎么提高效率？

做竞品研究，往往不是看一个页面，而是要批量看几十个。一个个手工复制源码、贴进工具、设选项、转换，重复几十遍很枯燥也容易出错。这里有几个提效的小办法。

第一，先把选项设定好再批量处理——确定了这批页面都用「不保留图片、保留链接、单空行模式」，就固定这套设置，每个页面贴进去直接转，不用每次重设。第二，善用工具的URL抓取功能，对那些不是JS渲染的静态页面，直接喂URL让它抓，省去手工复制源码的步骤。第三，转出来的纯文本统一存成带编号的txt文件，方便后续批量丢进字数统计、或者一起喂给AI做横向对比。批量竞品拆解的诀窍，是把流程标准化、把设置固定化，让重复劳动尽量自动化，把省下的精力放在真正需要judgment的分析判断上。

实战案例：假发接发出海站的竞品页拆解

我们团队去年帮一个做假发、接发产品的出海站做内容优化，过程里这个HTML转纯文本工具用得很频繁。这站卖各种真人发、化纤发、接发片，目标市场是欧美，竞争对手里有几个独立站把产品页和教程内容做得相当扎实，排名常年压在前面。

我们的第一步就是系统地拆解这些竞品页。挑出排名好的几十个页面，把每个页面的正文HTML复制下来，用工具洗成纯文本——保留链接选项打开，方便看它正文里引到了哪些参考；保留图片打开，因为假发这类产品，图片的alt里常藏着「人鱼姬色」「无痕接发」这类长尾词，值得单独扒出来看。洗成纯文本后，再把内容丢进字数和结构分析，我们发现竞品的爆款教程页普遍在三千字以上，而且都用大量的分步骤列表和对比表格——这些结构在纯文本里因为保留了圆点和制表符，一眼就能看出来。

拆解清楚之后，我们没有去抄，而是据此重写了自己站的产品教程：补足了竞品覆盖到、我们却漏掉的护理知识，把硬邦邦的参数描述改成了带步骤的实操指南，图片alt也按扒出来的长尾词思路重写了一遍。三个月后，几个核心教程页陆续进了第一页。这个案例的要点是：工具的价值不在「扒内容」这个动作本身，而在它把竞品的内容结构洗得清清楚楚，让你能看明白人家强在哪、自己缺在哪，再用原创的方式补齐——研究是为了超越，不是为了复制。

内容素材清洗三件套：剥文本只是第一步

把HTML洗成纯文本，是处理内容素材的第一道工序，但往往不是最后一道。一份内容从原始素材到能用、能发、能审，通常要走完一条流水线，剥文本只是开头。

剥成纯文本之后，常见的下一步有两个方向。一是格式流转：你可能需要把纯文本或HTML转成Markdown，方便在各种平台之间搬运、或者交给AI处理，这就要用到Markdown转换器，它能在HTML和Markdown之间双向转换。

二是篇幅质检：洗干净的文本到底有多少字、够不够竞争词要求的篇幅、读完要多久，这些得量化，就要用到字数统计工具去做字数和阅读时长的审计。剥文本、转格式、数字数，这三件套串起来，正好是内容素材从「脏HTML」到「干净可用、心里有数」的完整清洗流水线。这篇讲的是第一步，把噪声剥干净，后面两步在干净文本的基础上才好做。

常见问题解答

HTML转纯文本和直接复制网页文字有什么区别？

区别在「可控」和「干净」。直接在浏览器里选中网页文字复制，你拿到的往往带着隐藏的格式——粘贴到别处可能字体、颜色、链接样式都跟过来了，而且复制的范围受限于你能选中的部分，导航、广告之间的文字常常一起被选进来。用HTML转纯文本工具，你是拿源码来处理，能精确控制要不要保留链接、图片、列表、表格，剥出来的是真正的纯文本，没有任何隐藏格式残留。更重要的是，它能批量、规整地处理，还附带字数、压缩比这些统计，比手工复制可控得多。要的就是干净、可控的纯文本时，用工具比直接复制靠谱。

转出来的文本里还有奇怪的乱码符号，是怎么回事？

最常见的原因是HTML实体没被完全还原，或者原始内容的编码有问题。这个工具有两层实体解码，常见的空格实体、与号实体这些会被还原，生僻的数字实体也有兜底处理，正常情况下不该留乱码。如果还有，先检查你贴进去的源码是不是完整的、编码是不是UTF-8——从一些老网站或者编码不规范的页面扒下来的内容，可能本身就是乱码，那不是工具的问题。另外，如果你看到的是一些方块或问号，可能是字符本身在你的环境里没有对应字体显示，换个地方看可能就正常了。实在有顽固的特殊符号，转完之后手工查找替换一下即可。

它能保留文章的标题层级（一级标题、二级标题）吗？

不能，这是它的一个明确局限。工具把h1到h6所有标题都转成换行，标题文字会保留、会独占一行，但「这是几级标题」的层级信息会丢失——它不会像Markdown那样加井号，也不会用缩进体现层级。所以如果你的目的是提取文章的大纲、还原目录结构、或者分析竞品的标题骨架，这个工具满足不了，你得用专门解析HTML结构、能识别标题层级的工具。这个工具的定位是把内容洗成可读的纯文本，不是解析文档的结构层级，两个需求不一样，要选对工具。

用JavaScript框架做的网站，为什么转出来是空的？

因为这个工具只处理HTML源码本身，不执行JavaScript。React、Vue这类前端框架做的页面，正文内容是靠JS在浏览器里动态渲染出来的，并不写死在初始HTML里。你用「查看页面源代码」拿到的初始HTML，正文位置可能是空的，真正的内容要等JS跑完才出现，把这种空壳源码贴给工具，它自然转不出内容。解决办法是：别用「查看源代码」，改用浏览器开发者工具的「检查」功能，复制渲染完成后的DOM元素，那里面才有真正的文字。简单说，要复制「跑完JS之后的页面」，不是「刚下载下来的源码」。

清洗后的纯文本，下一步通常做什么？

看你的目的。如果是做内容分析，下一步通常是数字数、看篇幅够不够、估阅读时长，这要用字数统计工具。如果是要在不同平台之间搬运内容、或者交给AI处理，下一步往往是转成Markdown格式，这要用Markdown转换器。如果是存档，那转成纯文本本身可能就是终点，下载存好即可；如果是要喂给AI做分析，洗干净直接贴进对话框就行。HTML转纯文本是内容处理的第一道工序，它把素材洗干净，后面的字数审计、格式转换、AI分析都在这份干净文本上才好做，几乎所有跟网页内容打交道的活儿，都该从这一步开始。

权威参考资料