从网页复制的文字粘满标签？去掉HTML只留正文的做法

上个月帮同事整理一份活动说明，他从公众号后台的正文编辑器里全选复制，粘到我这边的文档里。看着是三段话，实际上每句中间夹着  和 ，段落末尾还拖着一串  ，行距被拉得老长。我用编辑器的清除格式功能清了一遍，标签没了，那批空白字符却还留在原地，导出 PDF 时行尾出现难看的参差。

这类事我遇到过不止一次，后来才想明白：问题不在于"复制粘贴"这个动作，而在于同一段内容其实有三种不同的存在形态，粘错了形态就会拿到错的字符。

同一段文字在系统里有三种形态

第一种是渲染结果，也就是浏览器画在屏幕上、你眼睛看到的版本：字号、行距、缩进都是样式算出来的，复制时这些表现层信息不会被带成可读的文字。第二种是 HTML 源码，、 、<img> 这类标记是它的骨架，从"查看网页源代码"里拿到的就是这种。第三种是纯文本，标签全部消失，只剩字符本身。

粘贴的目标软件会自己去挑一份表示来用。挑中源码，标签就变成正文里的普通字符；挑中渲染结果，间距就按对方的样式规则重排。我后来做的判断很简单：粘进去以后先用显示不可打印字符看一眼，就知道自己拿到的是哪一种。

早期我一律去到底，后来发现这么干会把有用的东西一起铲掉。判断依据我总结成一条：下游有没有解析器。

如果这段文字最终要回到网页、邮件模板、富文本编辑器，那 、<ul>、<li> 不是垃圾，是内容结构的一部分。加粗表示强调、列表表示并列、表格表示对照，去掉之后读者只能靠猜。这种情况下我宁可从源码里只删掉指定标签：脚本、样式、注释这些和正文无关的东西清走，剩下的标记原样交回去。

反过来，如果下游只是人或检索，我会去干净。典型有四种：进搜索框做全文查找的正文；要贴回代码里的字符串常量；导成 CSV 或纯文本存档；以及给校对用的字数统计。这四种场景里标签只会制造噪音，尤其是代码里，一个没清理干净的 < 会让整行解析失败。

先确认拿到的是源码还是渲染结果，粘错形态就别往下做了，重新复制。
决定标签的命运：要回网页就只移除指定标签（比如把 script、style、div 单独清掉），只给人读就全部去掉只留文本，注释顺手一并清除。
标签去完，剩下的活儿基本是空白字符。我用 HTML标签去除处理标记，它可以只移除指定标签名（比如 script、style、div），也可以全部去掉只留文本，注释能一并清除；连续空格和换行的压缩我放到下一步，因为那一步对全角空格、制表符、空行的选项更全。
实体字符单独处理。别指望去标签这一步会顺手把   解回正常空格，这是两层事情；我看到 & 开头的串就记下来，留到实体解码那一步再动。
最后用文本清理收边，并拿字数统计核对一下处理前后的差值。

第五步不是形式主义。有一回我把整篇稿子压成一行，差值算下来才发现段落分隔符也被吞了：正常清理掉的应该是标签字符数，如果连换行计数一起归零，就说明清理选项开多了。数字对比是唯一能当场发现的办法。

公众号后台的正文里，缩进常常不是真空格而是一串  ，去标签工具不会替你把它变成普通空格，粘进代码里就是一堆无法解释的字符。

另一个坑是嵌套。想删 <div> 时如果只按字符串替换，属性带 class 的开标签会漏掉，闭合标签反而删干净了，剩下的内容看着没问题、粘到别处直接错位。所以我现在更愿意把指定标签的删除交给专门做这件事的工具，而不是手敲替换。

表格内容是最麻烦的一类。表格一旦被压成纯文本，行和列的对应关系就靠肉眼维持，我见过从统计表里复制出来粘进记事本、六列数据糊成两列的例子。这种时候我会保留 HTML，或者干脆把源数据要成 CSV，标签处理再干净也补不回结构。

因为那些不是普通空格。网页里大量使用不换行空格和全角空格，Word 把它们显示为空白但按字符计数，清除格式对它们无效。要按字符类型清，而不是按格式清。

会影响"你看到的那份统计"，但不该影响正文本身。标签字符本来就不属于内容，去掉之后字数下降是正常的；如果下降幅度接近全文的一半，说明你删的对象里混了正文。

可行，这正是指定标签模式的用途。输入标签名即可，比如 script、style、div，其余标记不动，处理完的内容还能直接贴回编辑器。

少量可以，量大就别硬撑。尖括号在正则里有特殊含义，写错一个转义就删多或删少，而删少表现为"看着干净"，很难在提交前被发现。

注释里经常留着上一版内容和内部备注，它们不影响显示，所以人眼会漏。做正文提取时把注释和标签一起清掉更稳妥。

回到开头那份活动说明：最后的成品既没有标签也没有那串 & 开头的字符，但我是在确认下游只要人读之后才动手全删的。同事后来还要一版贴回后台，那份我是从最初的源码只删指定标签得到的，结构保住了。同一批文字，两个版本，取决于它们要去哪里。