HTML转纯文本转换器

使用方法

1. 把 HTML 源码粘进「输入 HTML」，默认示例是一段含加粗、列表、链接、  与 & 的完整片段，打开页面就能直接转换。
2. 三个选项控制还原口径：链接是否保留网址、列表是否加圆点、U+00A0 是否归一为普通空格，全部默认开启。
3. 点「转换为纯文本」，或在输入框里按 Ctrl+Enter（Mac 是 Cmd+Enter）。Enter 键保留给换行，不会误触发转换。
4. 结果区上方是统计条：输出字符数、行数，以及同一份输入按 textContent 口径会得到多少字符，方便核对换行还原了多少。
5. 实体对照表默认 12 行，点「加载更多」补齐 17 行；「导出 CSV」带 BOM 头，Excel 打开中文不乱码。

这个HTML转纯文本转换器能解决什么

从网页或富文本编辑器里复制出来的内容带着一堆标签：本页把它还原成段落分明、列表成行的纯文本，直接可贴进邮件、文档或不支持 HTML 的后台。

链接不能丢：默认把 <a href="...">示例站点</a> 还原成「示例站点 <网址>」，网址里的 &amp; 也会被解码成 &，纯文本读者仍然知道链接指向哪里。

字符统计对不上号：很多页面用 &nbsp; 排版，它的码位是 U+00A0 而不是空格的 U+0020，按字符统计时会多出隐形字符。本页默认把它们归一，也可以关掉保留原样。

要保住段落结构：块级元素之间补换行、列表项加圆点，转出来的文本保持可读的行列关系，而不是挤成一整行。

本页做的是「还原成可读文本」，不做语法转换、源码排版或合法性检查：转 Markdown 属于 HTML转Markdown转换器，缩进排版属于 HTML格式化，标签合法性属于 HTML校验，压缩源码属于 HTML压缩，见下方相关工具。

原理与规则说明

HTML转纯文本转换器先用 new DOMParser().parseFromString(html, 'text/html') 解析，再对 body 做深度优先遍历：文本节点（nodeType 3）原样输出，元素节点（nodeType 1）按标签分派。实体解码由解析器按 WHATWG HTML 标准的命名实体表自动完成，不需要本页再做一层替换。

为什么不用 textContent 一步取值：textContent 把所有文本节点直接拼接，块级元素之间不会补换行。演示输入按这个口径只有 57 个字符、1 行，而本页口径是 98 个字符、6 行，差的 41 个字符就是补上的换行、空行和列表圆点。它还有个坑：script 与 style 的内容也会被算进 textContent。

为什么不用 innerText：innerText 的结果取决于渲染布局（表格会插制表符、隐藏元素被剔除），而 DOMParser 解析出的文档没有进入渲染树，行为不可靠且规范留白。「所见即所得」的取值应该在真实渲染的 DOM 上做，解析场景的正确工具是 textContent 加自己的块级处理。

块级换行怎么补：内置 P、DIV、H1~H6、UL、OL、LI、TABLE、TR、BLOCKQUOTE、PRE、HR 等块级标签集合，进入和离开时各补一个换行；BR 直接给一个换行；LI 在进入时补圆点 U+2022。行内标签 strong、em、span 不产生任何换行，只保留文字。

链接与空白：A 标签先递归取文字，再按选项追加 <href>；之后统一做空白归一——连续空格折叠成一个、行首行尾空白删掉、U+00A0 按选项替换成 U+0020。注意 160 和 32 是两个不同码位，正则 \s 默认不把 U+00A0 当空白，所以必须显式替换。

环境兜底：没有 DOMParser 的个别内嵌 WebView 里退回字符级 tokenizer——注释整段跳过、引号内的 > 不算标签结束、script 与 style 内容丢弃、内置 17 个命名实体加数字实体 &#NN; 与 &#xHH; 的解码，两条路径对常见实体的输出一致。

完整示例（数值仅作演示）

默认输入是一段 198 字符（UTF-8 290 字节）的 HTML，含 4 个实体引用（&nbsp; × 3、&amp; × 1）、6 个块级开始标签、1 个 BR、2 个 LI、1 个带 href 的 A。

默认选项输出 98 个字符、6 行：第一行来自 P，第二三行来自两个 LI（各带圆点），第四行来自链接段落（网址以尖括号跟在文字后，&amp; 已解码），BR 单独成行，再空一行之后是最后一个 P。关掉「列表加圆点」则圆点消失、行数不变；关掉「链接保留」则只剩「示例站点」四个字。

关掉「U+00A0 归一」后，输出里会残留 3 个 U+00A0（码位 160）；开着的输出里它们全变成普通空格（码位 32）。这一格差异正是字符统计口径差一截的原因。

给一段属性里带大于号的输入 <a title="1 > 0">链接</a>：引号内的 > 不会让解析提前结束，输出是「链接」。若用正则剥标签，会从第一个 > 处截断，留下 0">链接 这样的残渣。

输入范围与对照表

实体对照见工具区的 17 行表格：命名实体（&amp;、&nbsp; 等）与数字实体（&#39;、&#xA9;）都在处理范围；未收录的命名实体会原样保留在输出里，不会变成空字符串。

常见误用对照：把本页当「标签删除器」用。删标签字符和还原文本是两件事——a < b 且 c > d 这种数学式文本用正则剥标签会变成「a d」，本页不把它误判为标签，输出原样保留。

输入范围、边界与精度说明

体积阈值实测：演示输入 290 字节，远低于 204800 字节的提示线；超过 512000 字节直接拒绝，因为一次整页解析加遍历会把主线程占住数秒。两个阈值之间的输入会正常转换，只在统计条给出体积提示。

未闭合标签由解析器修复：<p><b>未闭合 会被补全成完整结构，输出「未闭合」；只会丢弃 script、style、template、noscript 四类标签的内容，其余标签一律保留文字。

纯文本输入原样返回：没有标签的字符串走完整个流程后只经历空白归一，「没有标签的一段话。」输出不变。连续多个空行会折叠成一个空行，行数统计据此计算。

script 内容必须丢弃：正则剥标签会把 <script>var x = 5 < 6;</script> 漏出「var x = 5」，本页按标签结构整段跳过，输出不含任何脚本文字。

实体解码有两层来源：DOMParser 路径由解析器按标准表解码，覆盖全部命名实体与数字实体；tokenizer 兜底路径只内置 17 个常用命名实体加数字实体，未识别的写法原样保留。所以同一段非常规实体在两条路径下可能不同，这是兜底路径的已知边界。

常见误用的正确解释：转换后字符数比原来多不是 bug——多出来的字符是补上的换行、空行和列表圆点（演示里是 41 个），少掉的部分是被丢弃的标签与 script 内容。统计条同时给出两种口径，可以对账。

常见问题

相关工具

HTML转纯文本转换器只做「还原成可读文本」这一件事，HTML 相关的其它处理各有专门页面。

• HTML转Markdown转换器——要保留标题、列表的 Markdown 语法时用这个。
• HTML格式化——把源码缩进排版，本页输出的是不带标签的文本。
• HTML压缩——反向需求：去掉空白让源码更小。
• HTML校验——检查标签是否合法，本页不判对错。
• 删除多余空格——转换后单独做空白清洗。
• 字符数统计工具——核对 U+00A0 与普通空格造成的计数差。