Node.js 服务器渲染 HTML 文件为纯文本的完整方案

在实际开发中，我们经常需要在服务器端将 HTML 文件解析为纯文本。例如：生成文章摘要、进行全文搜索、数据清洗或用于语音合成。Node.js 提供了多种成熟的解决方案，本文将介绍最实用的几种方法，并给出完整的代码示例和注意事项。

解决方案一：使用 cheerio 库

cheerio 是一个轻量级的 HTML 解析库，语法类似 jQuery。它只解析 HTML 结构，不执行脚本，非常适合服务器端快速提取文本。

安装命令：

npm install cheerio

示例代码：从 HTML 字符串中提取所有文本（跳过 <script> 和 <style> 标签）。

const cheerio = require('cheerio');

function htmlToText(htmlContent) {
    const $ = cheerio.load(htmlContent);
    // 移除脚本和样式内容
    $('script, style').remove();
    // 获取 body 的纯文本，并用空格替换多余空白
    const text = $('body').text() || $.root().text();
    return text.replace(/\s+/g, ' ').trim();
}

// 示例用法
const html = '<div><h1>Hello World</h1><p>This is a <b>test</b>.</p></div>';
console.log(htmlToText(html)); // 输出: "Hello World This is a test."

优点：速度快，依赖少。缺点：不能处理某些复杂嵌套或自闭合标签的极端情况。

解决方案二：使用 jsdom 库

jsdom 模拟浏览器环境，可以处理更复杂的 HTML 结构，甚至包含 JavaScript 动态生成的文本。但相对较重，适合需要 DOM 完整功能的场景。

安装：

npm install jsdom

示例代码：

const { JSDOM } = require('jsdom');

function htmlToTextJsdom(htmlContent) {
    const dom = new JSDOM(htmlContent);
    const doc = dom.window.document;
    // 获取 body 或整个文档的文本
    const body = doc.body || doc.documentElement;
    return body.textContent.replace(/\s+/g, ' ').trim();
}

// 示例用法
const html = '<div><h1>Hello <span>World</span></h1></div>';
console.log(htmlToTextJsdom(html)); // 输出: "Hello World"

注意：jsdom 处理时会自动渲染字符串中的 HTML 实体（如 & 转为 & 等），因此返回的文本已经是解码后的。

解决方案三：专用库 html-to-text

如果只需要将 HTML 转换为格式良好的纯文本（保留段落、列表、换行等），强烈推荐 html-to-text。该库内置了丰富的选项，能很好地处理标题、链接、图片等，并且支持自定义格式化规则。

安装：

npm install html-to-text

基础用法：

const { convert } = require('html-to-text');

function htmlToTextAdvanced(htmlContent) {
    return convert(htmlContent, {
        wordwrap: 130,          // 自动换行宽度
        selectors: [
            { selector: 'a', options: { hideLinkHrefIfSameAsText: true } },
            { selector: 'img', format: 'skip' } // 忽略图片
        ]
    });
}

// 示例
const html = '<p>Click <a href="https://ipipp.com">here</a> to visit.</p><p>Another paragraph.</p>';
console.log(htmlToTextAdvanced(html));
/*
输出：
Click here to visit.

Another paragraph.
*/

该库默认会保留段落间的空行，并自动解码 HTML 实体。如果需要更精细的控制，可以查看官方文档自定义选项。

性能对比与选型建议

选择建议：如果只是移除 HTML 标签并获得连续文本，cheerio 最轻量；如果需要保持段落结构和可读性，html-to-text 是首选；除非必须执行页面脚本，否则不推荐 jsdom。

注意事项

• HTML 实体解码：绝大多数库会自动处理 <, > 等实体。但手动拼接字符串时需使用 he 库或 unescape 函数。
• <script> 与 <style> 标签：务必在提取文本前移除这些标签，否则会混入代码与样式。
• 空白字符处理：根据最终用途，决定是否合并连续空格、保留换行或移除所有空白。
• 编码问题：如果 HTML 文件包含 <meta charset="gbk">，需要用 iconv-lite 先转码为 UTF-8。

完整示例：读取 HTML 文件并转为纯文本

以下示例使用 html-to-text 读取本地 HTML 文件，输出纯文本到控制台：

const fs = require('fs');
const path = require('path');
const { convert } = require('html-to-text');

function convertHtmlFileToText(filePath) {
    const html = fs.readFileSync(filePath, 'utf-8');
    const text = convert(html, { wordwrap: false });
    return text;
}

// 使用示例
const filePath = path.join(__dirname, 'article.html');
const plainText = convertHtmlFileToText(filePath);
console.log(plainText);

注意：wordwrap: false 可禁用自动换行，便于后续自定义处理。

总结

Node.js 服务器将 HTML 渲染为纯文本并非难事，根据需求选择合适的库即可。对于大多数生产环境，html-to-text 提供了最全面的功能，而 cheerio 则在性能敏感的场合更胜一筹。无论选择哪种方案，都需注意处理特殊标签和空白字符，以得到干净的纯文本结果。

Node.jsHTML转文本cheeriojsdomhtml-to-text