用正则提取html纯文本易踩坑：嵌套标签、自闭合标签、属性含>、注释、cdata、js字符串中
用正则提取 HTML 中的纯文本容易踩哪些坑
直接对 HTML 字符串用 />([^ 这类正则匹配文本，大概率漏内容或截断错误。HTML 不是规则文本，标签可能嵌套、自闭合（如 <code><img>）、含属性（<div id="a" class="b">），甚至有注释、CDATA、JS 字符串里的 <code>。浏览器解析 DOM 时会修复 malformed 结构，正则做不到。
<p>真正安全的做法是借力浏览器或标准解析器：</p>
<ul>
<li>在浏览器环境，用 <code>document.createElement() + textContent 最稳
jsdom 或 cheerio，别手写正则DOMParser 解析再取 textContent，比正则容错高得多浏览器里用 DOMParser 提取文本最简方案
DOMParser 是原生 API，不依赖外部库，适合前端批量处理字符串 HTML 片段。它能正确处理实体、嵌套、空格折叠等细节。
示例代码：
const htmlStr = '<div>Hello<span>World</span> ！</div>'; const parser = new DOMParser(); const doc = parser.parseFromString(htmlStr, 'text/html'); const text = doc.body?.textContent?.trim() || ''; console.log(text); // "HelloWorld ！"
注意点：
-
parseFromString返回的文档可能没有body（比如只传了<p>a</p>），建议用doc.documentElement?.textContent或兜底检查 - 它不会执行脚本、不加载外部资源，纯解析，性能够用
- 对 malformed HTML（如未闭合标签）行为与浏览器一致，比正则可靠得多
Node.js 中用 cheerio 批量提取更高效
服务端没 DOMParser，cheerio 是轻量替代：API 类似 jQuery，速度快，内存占用低，且默认忽略 script/style 内容。
html-to-pptx-converter
下载
使用 PptxGenJS 和 Python 解析，将结构化的 HTML/CSS 幻灯片内容转换为原生、可编辑的 PowerPoint（.pptx）演示文稿。
安装与使用：
npm install cheerio
const cheerio = require('cheerio');
const htmlStr = '<h1>Title</h1><p>Content</p><script>alert(1)</script>';
const $ = cheerio.load(htmlStr);
const text = $('body').text().trim(); // 自动跳过 script/style
console.log(text); // "TitleContent"
关键差异：
-
$('body').text()和$('body').html()行为不同：前者递归取所有子节点文本并合并空格，后者只取 HTML 字符串 - 若需保留换行或段落结构，可用
$('p').map((i, el) => $(el).text()).get()分段提取 - 不支持 Web API（如
getComputedStyle），但纯文本提取完全够用
为什么不用 innerText？它和 textContent 的区别在哪
innerText 看似方便，但它依赖渲染树——在无样式、隐藏元素（display: none）、或未挂载 DOM 时返回空或不一致结果；而 textContent 只读 DOM 树结构，稳定可靠。
常见误用场景：
- 用
div.innerText处理动态插入的 HTML 字符串 → 实际没渲染，返回空 - 在 headless 环境（如 Puppeteer 某些模式）中，
innerText可能因字体/排版计算失败而卡住 -
textContent保留所有空白符（包括换行缩进），如需清洗，后续用.replace(/\s+/g, ' ')即可
真正批量提取时，稳定性压倒“看起来更像人眼所见”，textContent 是更可控的选择。
