应使用 domparser 或 jsdom 解析 html 后移除 script/style 节点再提取 textcontent，避免正则替换；node.js 环境推荐 jsdom（容错强、支持不规范 html）；cheerio 不构建真实 dom，易误删 json 等内容，不适用于可靠文本提取。
用 DOMParser 解析 HTML 并剥离 <script></script> 和 <style></style> 节点
直接字符串替换（如正则删 <script>.*?</script>）极易出错，会误删含 的文本、破坏嵌套结构或漏掉自闭合写法。正确做法是走 DOM 解析路径，让浏览器/解析器自己处理语法边界。
关键点：必须指定 text/html 类型，否则 DOMParser 可能按 XML 解析，导致对不规范 HTML 报错或丢内容。
- 用
new DOMParser().parseFromString(htmlString, 'text/html')得到文档对象 - 调用
document.querySelectorAll('script, style')批量获取目标节点 - 遍历并调用
.remove()（注意不是.removeChild()，后者需传父节点） - 最后用
document.body?.textContent提取纯文本；若无，回退到document.documentElement.textContent
Node.js 环境下用 jsdom 替代 DOMParser
Node.js 没有原生 DOMParser（除非用 jsdom 或 cheerio）。jsdom 是最接近浏览器行为的选择，尤其对 malformed HTML 容错更强。
注意版本差异：jsdom@20+ 默认禁用脚本执行，但依然会解析 <script></script> 标签内容——所以仍需手动移除节点，不能只靠配置关掉执行。
- 安装：
npm install jsdom - 代码中用
const { JSDOM } = require('jsdom'); - 创建实例后，通过
dom.window.document.querySelectorAll('script, style').forEach(el => el.remove()) - 提取文本优先用
dom.window.document.body?.textContent，避免innerHTML残留标签
为什么不用 cheerio？它不支持完整 DOM 解析
cheerio 是服务端轻量方案，但它不构建真实 DOM，也不执行样式计算、不处理 <noscript></noscript> 或 <template></template> 内容，更不会自动忽略注释中的伪脚本（如 <!-- <script>alert(1)</script> -->）。
文章转信息图。将文章/笔记转化为手机可读的 HTML 信息图，自动匹配视觉风格。触发场景：文章转图、笔记转图、信息图、转小红书图、做张图、可视化这篇文章、文生图。
典型问题场景：
- HTML 中有
<script type="application/json">{...}</script>——cheerio会把它当普通标签删掉，导致 JSON 数据丢失 - 使用
<script defer></script>或<script async></script>时，cheerio不区分加载策略，一并清除 - 遇到
<style scoped></style>或<style media="print"></style>，cheerio无法按语义判断是否该保留
除非你明确只要“快速删标签”，且 HTML 结构非常干净，否则别用 cheerio 做文本提取主流程。
提取后还要处理空白和换行？别在 DOM 阶段做
很多人想一步到位得到“干净段落”，于是在 DOM 操作里加 textContent.replace(/\s+/g, ' ').trim()。这会导致语义丢失：比如按钮文字 点击 确认 变成 点击 确认，中间两个空格塌缩为一个，可读性下降；表格单元格间的换行也被抹平。
建议把格式清理作为独立后处理步骤，根据实际用途决定策略：
- 用于搜索引擎索引？保留换行和缩进有助于分段识别
- 喂给 LLM 做 prompt？用
.replace(/\n\s*\n/g, '\n\n')合并空行，再.replace(/[ \t]+/g, ' ')处理行内多余空格 - 生成摘要？先按
\n分割，过滤空行和超短行（如length ），再 join
DOM 层只负责安全剥离不可见元素，文本整形是另一层职责，混在一起容易调试困难、复用性差。
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！
