如何使用 javascript 将网页作为纯文本获取，而没有任何 html？ [复制]
Posted
技术标签:
【中文标题】如何使用 javascript 将网页作为纯文本获取，而没有任何 html？ [复制]【英文标题】：How to get a webpage as plain text without any html using javascript? [duplicate] 【发布时间】：2011-02-27 08:24:27 【问题描述】：我正在尝试找到一种方法，使用 javascript 或 jquery 编写一个函数，该函数从页面中删除所有 html 标签，只给我这个页面的纯文本。
如何做到这一点？有什么想法吗？
【问题讨论】：
你想要一个返回<body>的文本内容的字符串，然后呢？
这看起来很有用：***.com/questions/822452/…
【参考方案1】：
IE 和 WebKit
document.body.innerText
其他：
document.body.textContent
（根据 Amr ElGarhy 的建议）
大多数 js 框架都实现了跨浏览器的方式来执行此操作。这通常是这样实现的：
text = document.body.textContent || document.body.innerText;
似乎 WebKit 使用 textContent 保留了一些格式，而使用 innerText 剥离了所有内容。
【讨论】：
我认为这只适用于 Internet Explorer 它在我的 WebKit 中运行良好。 确实，似乎只有 Firefox 有问题。但在 Opera 中，它在打印 innerText 时仍然给我 HTML 标签 在其他浏览器中使用 document.body.textContent 你的回答很完整，涵盖了我想要的一切，谢谢【参考方案2】：这取决于您要保留多少格式。但是使用 jQuery 你可以这样做：
jQuery(document.body).text();
【讨论】：
【参考方案3】：textContent 或 innerText 的唯一问题是它们可以将相邻节点的文本挤在一起， 它们之间没有任何空白。
如果这很重要，您可以通过 body 或其他容器进行诅咒，并以数组的形式返回文本， 并用空格或换行符将它们连接起来。
document.deepText= function(hoo)
var A= [], tem, tx;
if(hoo)
hoo= hoo.firstChild;
while(hoo!= null)
if(hoo.nodeType== 3)
tx= hoo.data || '';
if(/\S/.test(tx)) A[A.length]= tx;
else A= A.concat(document.deepText(hoo));
hoo= hoo.nextSibling;
return A;
alert(document.deepText(document.body).join(' '))
// return document.deepText(document.body).join('\n')
【讨论】：
添加nodeType of 4 (CDATA) 可能是个好主意，以防有人将他们的文本包含在其中。 （至少 jQuery 是这样做的。）【参考方案4】：
我必须将 HTML 电子邮件中的富文本转换为纯文本。以下在 IE 中对我有用（obj 是一个 jQuery 对象）：
function getTextFromHTML(obj)
var ni = document.createNodeIterator(obj[0], NodeFilter.SHOW_TEXT, null, false);
var nodeLine = ni.nextNode(); // go to first node of our NodeIterator
var plainText = "";
while (nodeLine)
plainText += nodeLine.nodeValue + "\n";
nodeLine = ni.nextNode();
return plainText;
【讨论】：
【参考方案5】：使用htmlClean。
【讨论】：
【参考方案6】：我会使用：
<script language="javascript" type="text/javascript" src="http://code.jquery.com/jquery-1.4.2.js"></script>
<script type="text/javascript">
jQuery.fn.stripTags = function() return this.replaceWith( this.html().replace(/<\/?[^>]+>/gi, '') ); ;
jQuery('head').stripTags();
$(document).ready(function()
$("img").each(function()
jQuery(this).remove();
);
);
</script>
这将不会释放任何样式，但会删除所有标签。
这是你想要的吗？
[EDIT] 现已编辑为包括删除图像标签[/EDIT]
【讨论】：
您不应尝试使用正则表达式解析 HTML。以上是关于如何使用 javascript 将网页作为纯文本获取，而没有任何 html？ [复制]的主要内容，如果未能解决你的问题，请参考以下文章
纯javascript的appendChild($variable)中的文本+变量连接作为字符串