将HTML代码转换为纯TEXT，文本文件可用格式

Question

任务：获取HTML页面并仅保留文本中的文本，格式可用于简单文本：所以如果有<br>标签，我想将其转换为/ r / n，如果有表格 - 我想在结果文本中保留此表的初始结构，等等。

内置PHP函数strip_tags()并不符合我的要求，因为它会保留样式和脚本的内容，并且不会保留格式删除<br>，<table>和其他标签。

我也读过stack question 'strip html,css from string'，但我找不到答案。

基本上我正在寻找一种将HTML页面呈现为TXT文件的方法（没有链接和图像）。可能吗？有没有图书馆在做这件事？

Answer 1

您可以做的一件事是，您可以进行反向降价。 Markdown有很多HTML实现，可以完成你想要的工作。他们只是将HTML转换为文本，包括休息等。

其中一个实现是html2markdown。它使用NodeJS，你只需要添加它：

html2markdown("<h1>Hello markdown!</h1>")

至少，这会删除标记并将结果作为文本提供，可以轻松地进行标记 - 剥离，因为它具有较少的字符数，例如# s和--- s。

在GitHub的PHP中还有一个html2markdown的实现。语法再次简单：

$html = "<h3>Quick, to the Batpoles!</h3>";
$markdown = new HTML_To_Markdown($html);

这会让你回复：

echo $markdown; // ==> ### Quick, to the Batpoles!

此插件也可以剥离标记：

$html = '<span>Turnips!</span>';
$markdown = new HTML_To_Markdown($html, array('strip_tags' => true)); // $markdown now contains "Turnips!"