HTML转Markdown怎么实现_html转Markdown格式方法【精选】-html教程-PHP中文网

html2text最稳，适合批量处理；turndown适合前端定制但已停更；pandoc高保真但丢样式；在线工具仅限临时救急。批量转html到markdown首选html2text，需加-b 0、-g、--unicode-snob等参数避坑。

html转markdown怎么实现_html转markdown格式方法【精选】

直接用 html2text 命令行工具最稳，不依赖浏览器、批量处理可靠、中文支持好；turndown 适合前端实时转换或 Node.js 深度定制，但已停止维护；pandoc 高保真但忽略样式和 class；在线工具只适合临时救急，敏感内容别传。

用 `html2text` 批量转 HTML 到 Markdown 最省心

它默认就干对了大部分事：把 <h2></h2> 变成 ##，<ul><li></ul> 变成 -，<strong></strong> 变成 **，还自动过滤 <script></script> 和 <style></style>。但默认行为有几个坑：

bodywidth 默认是 79，会强行折行，导致段落里莫名其妙断开——加 -b 0 关掉它
表格默认输出 ASCII 表格（难读），加 -g 启用 GitHub 兼容模式才能生成标准 Markdown 表格（前提是原 HTML 表格结构规整）
中文引号、破折号会被转成英文符号，加 --unicode-snob 保留原样
图片默认只留 ![alt]()，路径丢了——得配合 --image-urls 或提前用脚本重写 src

批量处理一行搞定：
for f in *.html; do html2text -g --unicode-snob -b 0 "$f" > "${f%.html}.md"; done

`turndown` 在浏览器里转 HTML 字符串要绕过几个雷

它轻、快、能配规则，但 2022 年后就没更新了，部分新标签（比如 <details></details>）不识别，自定义标签容易崩。常见翻车点：

默认用 setext 风格标题（=== 下划线），但 GitHub 不渲染多级 setext——显式设 { headingStyle: 'atx' }
@#@#@#@#@#@#@#@#@#@0 默认输出 [link](foo.html)，但若页面在子路径下，相对链接就失效——得加 baseUrl 选项补全
遇到 <div class="warning">... 这类语义容器，它直接丢掉，不会映射成 callout——得手写 <code>addRule 处理，例如把 class="note" 转成 > [!note]\n> ...
不处理内联样式，style="color:red" 里的 red 不会变成文字颜色，也不会报错，静默丢弃

基础用法：

Html2md

使用 Readability + Turndown 将 HTML 页面转换为干净的、Agent 友好的 Markdown。去除导航栏、广告、页脚、Cookie 横幅、社交按钮等干扰元素。支持 URL...

下载

const turndownService = new TurndownService({ headingStyle: 'atx' });<br>const md = turndownService.turndown(htmlString);

`pandoc` 转换后发现样式没了？这本来就是设计如此

pandoc 的定位是“语义转换器”，不是“样式搬运工”。它能精准还原嵌套列表、复杂表格（只要没 colspan）、数学公式（配合 MathML），但所有视觉信息都会被剥离：

class="highlight"、id="section-2"、style="margin-left:2em" 全部消失，不警告也不留注释
<img src="a.jpg" alt="desc" style="max-width:90%"> 只剩 ![desc](a.jpg)，尺寸、title、loading 属性全丢
如果 HTML 里有 <script>fetch(...) </script> 渲染出的内容，pandoc 看不到——它只吃静态 HTML 字符串
表格头行必须存在且完整，<table><tr><td>A</td></tr></table> 这种无表头的，会转成空表或报错，得先用脚本补 <thead> <p>命令示例：<br><code>pandoc input.html -f html -t markdown_strict -o output.md（markdown_strict 禁用 GFM 扩展，更接近标准）

为什么别信“一键在线转换”？真实风险在这儿

像 html-to-md.net 或 cloudconvert.com 这类服务，背后调的是简化版解析器，上传即公开，且不可控：
- 图片资源路径全被清空，<img src="/assets/logo.png"> 变成 ![]()，本地路径无法恢复
- <blockquote class="twitter-tweet"></blockquote> 这类嵌入内容，直接转成空段落，原始语义完全丢失
- 中文段落间可能多出空行，因为服务端用了不同换行策略，又不提供参数调整入口
- 上传含 API key 或内部链接的 HTML，等于主动泄露——没有隐私条款保障，日志也查不到
临时救急可以，但只要涉及批量、工程化、或含敏感信息，就得切回本地工具链。

真正难的从来不是“怎么转”，而是“转完之后要不要人工校验”。表格结构、图片路径、自定义容器语义、跨文档引用——这些都得靠人眼盯。工具只负责把 80% 的机械活干掉，剩下 20% 是没法自动化的。