strip_tags()仅删除html标签，不处理文本节点中的空格、换行及unicode空白字符；需先用html_entity_decode解码，再用/\p{z}\s+/u正则清理并trim收尾。
strip_tags() 后仍有空格换行？先搞清空格从哪来
strip_tags() 只删标签，不碰文本节点里的空白。常见现象是 <p>\n Hello\n</p> 经 strip_tags() 后变成 "\n Hello\n" —— 那些 \n、\t、连续空格都还在。它们来自 HTML 源码缩进、富文本编辑器自动换行，或 DOM 序列化时的格式化行为。
真正要清理，得分两步走：先提取文本（用对方法），再标准化空白（选对正则）。别指望一个函数全包。
- 数据库导出的 HTML 常含 （
\xc2\xa0）或 Unicode 空格（如/\s+/g匹配不到 - 前端用
textContent提取最安全，但会保留原始缩进；innerText虽“看起来干净”，却受 CSSdisplay: none影响，且把换行转成空格，语义已失真 - Python 里
BeautifulSoup.get_text()默认不 strip，中间多换行照常输出；加strip=True只去首尾，得手动设separator=' '控制块级元素间连接方式
PHP 中清理 HTML 文本的可靠组合
PHP 没有开箱即用的“提取+清理”一体化函数。必须链式调用，且顺序不能错：
- 先用
strip_tags($html, $allow)删标签（$allow可传'<p><strong><em>'</em></strong></p><div class="aritcle_card flexRow artxards"> <div class="artcardd flexRow"> <a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill9263" title="Html2md"><img src="https://img.php.cn/upload/skill/000/000/081/179249945220127.jpg" alt="Html2md" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a rel="nofollow" href="/xiazai/skill9263" title="Html2md" class="overflowclass">Html2md</a> <p class="overflowclass">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...</p> </div> <a rel="nofollow" href="/xiazai/skill9263" title="Html2md" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div>保基本格式） - 再用
html_entity_decode($str, ENT_QUOTES | ENT_HTML5, 'UTF-8')解码&、等实体，否则后续正则会漏掉 <code> - 最后用
preg_replace('/[\p{Z}\s]+/u', ' ', $str)匹配所有 Unicode 空白（\p{Z}覆盖各种分隔符），再trim()收尾
注意：preg_replace('/\s+/', ' ', $str) 在 UTF-8 下会漏掉 这类字符，必须加 u 修饰符和 \p{Z}。
JavaScript 里 textContent 提取后怎么压缩空白
el.textContent 是提取纯文本的首选，但它原样返回所有空白。想压缩成“用户复制粘贴时的样子”，不能只靠 .replace(/\s+/g, ' ').trim() —— 它会把 （零宽空格）、\u200b 这类不可见字符当普通空格处理，结果还是卡顿或截断。
- 先用
el.textContent.replace(/[\u200b-\u200f\u202a-\u202f\u2060-\u206f\ufeff]/g, '')清掉零宽控制符 - 再用
.replace(/[\p{Z}\s]+/gu, ' ').trim()（注意u和g都要写） - 如果目标是保留
<pre class="brush:php;toolbar:false;"></pre>内原始空格，就得单独判断节点类型，对pre、code跳过压缩
Python BeautifulSoup 提取后还有 、— 怎么办
BeautifulSoup 默认解码标准实体（&、），但像 <code>—（—）、 这类命名字符引用，在某些解析器（如 html.parser）下可能不全支持，尤其当原始 HTML 结构不规范时。
- 稳妥做法：提取文本后统一过一遍
html.unescape(text)，它覆盖全部 HTML5 实体 - 别对
response.text先html.unescape()再喂给 BeautifulSoup —— 会导致<被双重解码成，然后被误认为标签起始 - 若用
lxml解析器，它内部解码更完整，但依然建议最终补一层html.unescape()保底
真正难处理的，永远不是“怎么删”，而是删完之后，你不知道哪些空白是用户有意为之，哪些是编辑器偷偷塞进去的。每次清理前，先 console.log(JSON.stringify(text)) 或 repr(text) 看一眼原始字节，比猜强得多。
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！
