html2text是最稳的HTML转文本工具，保留段落结构、处理链接列表，支持-smart script removal和-utf8参数；BeautifulSoup+get_text()更灵活可控；浏览器innerText仅适合临时救急；避免用正则或xml.etree解析不规范HTML。

用 html2text 命令行工具最稳

直接丢掉浏览器右键“另存为文本”这种不可靠操作——它会漏样式、乱码、丢换行。html2text 是专为这事写的，保留段落结构、去掉标签但不破坏语义，连链接和列表都能转成可读文本。

安装后执行：

html2text input.html > output.txt

默认行为已足够干净。如果页面有大量广告或侧边栏，加 -ss（smart script removal）自动过滤 JS 渲染的干扰块；遇到中文乱码，先确认源文件编码是 UTF-8，再加 -utf8 参数强制解码。

• html2text 不解析 CSS，所以不会因为 display:none 就跳过内容
• 对含 <script></script> 或 <style></style> 的页面，默认会跳过这些块，不用额外清理
• 如果 HTML 来自网页抓取（比如 curl 结果），注意响应头里的 Content-Type 是否带 charset=gbk ——这时候得先用 iconv 转码，再喂给 html2text

Python 里用 BeautifulSoup + get_text() 更可控

适合需要预处理、删特定区块、或批量处理不同模板的情况。比正则安全，比 html2text 灵活，但得多写几行。

HTML Text Extract

从HTML页面（URL、文件或标准输入）中提取主体内容文本，去除导航、页脚、广告和模板文本。可直接传递给readability_check或其他文本工具。

下载

核心就这句：

soup.get_text(separator=' ', strip=True)

其中 separator=' ' 防止段落粘连，strip=True 去首尾空格。如果原文有大量 <br> 或 <p></p>，可以先用 soup.find_all(['script', 'style', 'nav', 'footer']) 批量 .decompose() 掉无关节点。

立即学习“前端免费学习笔记（深入）”；

• 别直接 str(soup) 再正则删标签——HTML 嵌套不规则时必翻车
• get_text() 对 <table> 默认压成一行，要保留表格逻辑得单独遍历 <code>tr/td
• 如果页面用了 Web Component 或 Shadow DOM，BeautifulSoup 解析不了，得先用 Puppeteer 渲染出静态 HTML 再处理

浏览器控制台临时导出：只适合单次、小页面

不是正经方案，但救急够用。打开开发者工具（F12），在 Console 里粘贴：

document.body.innerText

回车后复制输出——它快，但会把所有样式、JS 动态插入的内容全吞进来，且无法区分标题/段落层级。
• 遇到 innerText 返回空？可能是内容由 innerHTML 插入但未触发渲染，换成 textContent
• 复制结果里一堆 "\n\n\n"？那是浏览器把 <div> 换行当段落了，得手动替换 <code>\n\n+ 为单个 \n
• 千万别用 document.documentElement.outerHTML 然后正则删标签——嵌套注释、属性值里的 会让正则崩

别碰 xml.etree.ElementTree 解析 HTML

它只认标准 XML，而真实 HTML 充斥着自闭合标签（<img alt="HTML转TXT格式方法_html格式怎么转换为txt【转换】" >）、缺失闭合（<p>xxx</p> <p>yyy</p>）、大小写混用。一解析就报 ParseError: mismatched tag 或静默丢数据。

哪怕你用 html.parser 作为 ET.XMLParser 的底层，也绕不开树构建阶段的容错缺陷。真要用 ET，先用 BeautifulSoup 把 HTML 规范化成 XHTML，再喂进去——多此一举，不如一步到位用 BeautifulSoup。

• lxml.html 可以，但它本质是封装了 libxml2 的 HTML 解析器，不是原生 ET
• 看到 Stack Overflow 上有人用 ET.fromstring(html) 成功，大概率是样本 HTML 刚好规整，换个页面就挂
• 错误信息里出现 unclosed token 或 expected '，基本就是 ET 在硬刚不规范 HTML
实际转换时，最常被忽略的是编码探测逻辑——html2text 和 BeautifulSoup 都会优先读 <meta charset>，但很多老页面只有 HTTP 头声明，或者 meta 写在 body 里。这时候要么手动指定编码，要么先用 chardet 探测一遍再传参。