從網頁複製的文字黏滿標籤？去掉 HTML 只留正文的做法

上個月幫同事整理一份活動說明，他從公眾號後台的正文編輯器裡全選複製，貼到我這邊的文件裡。看著是三段話，實際上每句中間夾著  和 ，段落末尾還拖著一串  ，行距被拉得很長。我用編輯器的清除格式功能清了一遍，標籤沒了，那批空白字元卻還留在原地，匯出 PDF 時行尾出現難看的參差。

這類事我遇過不止一次，後來才想明白：問題不在於「複製貼上」這個動作，而在於同一段內容其實有三種不同的存在形態，貼錯了形態就會拿到錯的字元。

同一段文字在系統裡有三種形態

第一種是渲染結果，也就是瀏覽器畫在螢幕上、你眼睛看到的版本：字級、行距、縮排都是樣式算出來的，複製時這些呈現層資訊不會被帶成可讀的文字。第二種是 HTML 原始碼，、 、<img> 這類標記是它的骨架，從「檢視網頁原始碼」裡拿到的就是這種。第三種是純文字，標籤全部消失，只剩字元本身。

貼上的目標軟體會自己去挑一份表示來用。挑中原始碼，標籤就變成正文裡的普通字元；挑中渲染結果，間距就按對方的樣式規則重排。我後來做的判斷很簡單：貼進去以後先用顯示不可列印字元看一眼，就知道自己拿到的是哪一種。

早期我一律清到底，後來發現這樣做會把有用的東西一起鏟掉。判斷依據我總結成一條：下游有沒有解析器。

如果這段文字最後要回到網頁、郵件範本、富文字編輯器，那 、<ul>、<li> 不是垃圾，是內容結構的一部分。加粗表示強調、清單表示並列、表格表示對照，去掉之後讀者只能靠猜。這種情況下我寧可從原始碼裡只刪掉指定標籤：腳本、樣式、註解這些和正文無關的東西清走，剩下的標記原樣交回去。

反過來，如果下游只是人或檢索，我會清乾淨。典型有四種：進搜尋框做全文查找的正文；要貼回程式碼裡的字串常數；匯出成 CSV 或純文字存檔；以及給校對用的字數統計。這四種情境裡標籤只會製造噪音，尤其是程式碼裡，一個沒清乾淨的 < 會讓整行解析失敗。

先確認拿到的是原始碼還是渲染結果，貼錯形態就別往下做了，重新複製。
決定標籤的命運：要回網頁就只移除指定標籤（比如把 script、style、div 單獨清掉），只給人讀就全部去掉只留文字，註解順手一併清除。
標籤去完，剩下的活基本上是空白字元。我用 HTML 標籤去除處理標記，它可以只移除指定標籤名（比如 script、style、div），也可以全部去掉只留文字，註解能一併清除；連續空格和換行的壓縮我放到下一步，因為那一步對全形空格、定位字元、空行的選項更齊全。
實體字元單獨處理。別指望去標籤這一步會順手把   解回正常空格，這是兩層事情；我看到 & 開頭的字串就記下來，留到實體解碼那一步再動。
最後用文字清理收邊，並拿字數統計核對一下處理前後的差值。

第五步不是形式主義。有一回我把整篇稿子壓成一行，差值算下來才發現段落分隔符也被吞了：正常清掉的應該是標籤字元數，如果連換行計數一起歸零，就說明清理選項開多了。數字對比是唯一能當場發現的辦法。

公眾號後台的正文裡，縮排常常不是真空格而是一串  ，去標籤工具不會替你把它變成普通空格，貼進程式碼裡就是一堆無法解釋的字元。

另一個坑是巢狀。想刪 <div> 時如果只按字串替換，屬性帶 class 的開標籤會漏掉，閉合標籤反而刪乾淨了，剩下的內容看著沒問題、貼到別處直接錯位。所以我現在更願意把指定標籤的刪除交給專門做這件事的工具，而不是手敲替換。

表格內容是最麻煩的一類。表格一旦被壓成純文字，列和欄的對應關係就靠肉眼維持，我見過從統計表裡複製出來貼進記事本、六欄資料糊成兩欄的例子。這種時候我會保留 HTML，或者乾脆把原始資料要成 CSV，標籤處理再乾淨也補不回結構。

因為那些不是普通空格。網頁裡大量使用不斷行空格和全形空格，Word 把它們顯示為空白但按字元計數，清除格式對它們無效。要按字元類型清，而不是按格式清。

會影響「你看到的那份統計」，但不該影響正文本身。標籤字元本來就不屬於內容，去掉之後字數下降是正常的；如果下降幅度接近全文的一半，說明你刪的對象裡混了正文。

可行，這正是指定標籤模式的用途。輸入標籤名即可，比如 script、style、div，其餘標記不動，處理完的內容還能直接貼回編輯器。

少量可以，量大就別硬撐。尖括號在正規表達式裡有特殊含義，寫錯一個跳脫就刪多或刪少，而刪少表現為「看著乾淨」，很難在提交前被發現。

註解裡經常留著上一版內容和內部備註，它們不影響顯示，所以人眼會漏。做正文擷取時把註解和標籤一起清掉更穩妥。

回到開頭那份活動說明：最後的成品既沒有標籤也沒有那串 & 開頭的字元，但我是在確認下游只要人讀之後才動手全刪的。同事後來還要一版貼回後台，那份我是從最初的原始碼只刪指定標籤得到的，結構保住了。同一批文字，兩個版本，取決於它們要去哪裡。