notepad++提取纯文本本质是正则匹配字符串而非解析结构，需明确目标：删标签用替换（如]*>），抽内容用捕获组（如(.*?)），避免误删含尖括号的正常文本。
Notepad++ 提取纯文本：先确认是不是真需要“提取”
多数人说的“提取纯文本”，其实是想从 HTML、XML 或损坏 Word 中剥离标签，只留可读文字。但 Notepad++ 本身不解析 HTML 结构，它只是按正则匹配字符串——所以你得明确：目标是删标签，还是抽内容？前者用替换，后者靠捕获组。
常见错误是直接搜 <.></.> 然后全删，结果把嵌套标签里带尖括号的正常文本（比如数学公式 a ）也干掉了。更稳妥的做法是分两步：先删成块，再清理残留。
- 如果源文件是网页 HTML，优先用浏览器「复制为纯文本」再粘贴进 Notepad++，比正则更可靠
- 如果是损坏的
.docx，必须先改后缀为.zip，解压后打开word/document.xml，再处理 - 确保编码正确：菜单栏「编码」→ 选
UTF-8或ANSI，否则中文会变问号或乱码
删 HTML 标签：用 ]*> 而不是 <.></.>
]*> 是更安全的标签清除正则：它只匹配尖括号内不含 > 的内容，避免跨标签误杀。而 <.></.> 在换行存在时可能失效（默认不匹配换行符），且容易吃掉注释或 script 块里的合法符号。
操作步骤：
- Ctrl + H 打开替换窗口
- 勾选「正则表达式」，取消勾选「. 匹配换行符」（除非你确定要跨行删）
- 「查找目标」填
]*>，「替换为」留空 - 点「全部替换」；若还有多余空行，再搜
+替换为
注意：<!--.*?--> 这类注释不会被上面的正则覆盖，需单独处理——加一条替换：查找 <!--[sS]*?-->，替换为空（此时必须勾选「. 匹配换行符」）。
从 XML/HTML 中提取引号内值：用捕获组 + $1
比如想从 "title": "用户登录成功" 中只留 用户登录成功，不能只删标签，得抓内容。关键在写对捕获组，并用 引用。
典型场景和写法：
- 提取双引号间任意非引号内容：
"([^"]*)"→ 替换为$1 - 提取
<t>xxx</t>中的 xxx（来自 Word document.xml）：<t>([^</t>→ 替换为$1 - 提取 HTML 中所有
href="..."的链接：href="([^"]*)"→ 替换为$1
⚠️ 容易踩坑：如果文本里有转义引号 "，上述正则会提前截断。这时得用更复杂的模式，比如 href="((?:[^"\]|\.)*)"，但 Notepad++ 的正则引擎对嵌套转义支持有限，建议先人工扫一眼是否含反斜杠转义。
批量清理后仍存干扰字符？重点检查这些残留
纯文本提取后常出现看不见的“脏东西”：零宽空格（u200B）、软回车（
单独存在）、不间断空格（u00A0）、BOM 头。Notepad++ 默认不显示它们，但会影响后续处理（比如 Python 读取报错、SQL 插入失败）。
排查和清理方法：
- 菜单栏「视图」→ 「显示符号」→ 「显示所有字符」，立刻看到
¶（段落标记）、·（空格）、 - 搜
x{200B}（零宽空格）或x{00A0}（不间断空格），替换为空 - 搜
(?! )（孤立的回车），替换为 - 如果开头有乱码小方块，可能是 UTF-8 BOM，用菜单「编码」→ 「转为 UTF-8 无 BOM 格式」
真正难的不是匹配，而是判断哪些“看似干净”的字符其实不该留——比如日志里的时间戳前后藏着不可见分隔符，一粘贴进 Excel 就错列。这种细节，得开「显示所有字符」才看得见。
前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！
