使用JavaScript从HTML字符串中提取文本

Extract the text out of HTML string using JavaScript

本文关键字：提取 取文本 字符串 HTML JavaScript 使用      更新时间：2023-09-26

我正在尝试使用JS函数（字符串作为参数传递）获取HTML字符串的内部文本。这是代码：

function extractContent(value) {
  var content_holder = "";
  for (var i = 0; i < value.length; i++) {
    if (value.charAt(i) === '>') {
      continue;
      while (value.charAt(i) != '<') {
        content_holder += value.charAt(i);
      }
    }
  }
  console.log(content_holder);
}
extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>");

问题是console(*content_holder* stays empty)上没有打印任何内容。我认为问题是由===运算符引起的。

创建一个元素，将HTML存储在其中，并获得其textContent:

function extractContent(s) {
  var span = document.createElement('span');
  span.innerHTML = s;
  return span.textContent || span.innerText;
};
    
alert(extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>"));

这里有一个版本允许您在节点之间有空格，尽管您可能只希望块级元素有空格：

function extractContent(s, space) {
  var span= document.createElement('span');
  span.innerHTML= s;
  if(space) {
    var children= span.querySelectorAll('*');
    for(var i = 0 ; i < children.length ; i++) {
      if(children[i].textContent)
        children[i].textContent+= ' ';
      else
        children[i].innerText+= ' ';
    }
  }
  return [span.textContent || span.innerText].toString().replace(/ +/g,' ');
};
    
console.log(extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>.  Nice to <em>see</em><strong><em>you!</em></strong>"));
console.log(extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>.  Nice to <em>see</em><strong><em>you!</em></strong>",true));

单行（更准确地说，一条语句）版本：

function extractContent(html) {
    return new DOMParser()
        .parseFromString(html, "text/html")
        .documentElement.textContent;
}

textContext是一种非常好的技术，可以实现所需的结果，但有时我们不想加载DOM。因此，简单的解决方法是使用以下正则表达式：

let htmlString = "<p>Hello</p><a href='http://w3c.org'>W3C</a>"
let plainText = htmlString.replace(/<[^>]+>/g, '');

使用此regax删除html标记，并仅将内部文本存储在html 中

它显示HelloW3c只检查

var content_holder = value.replace(/<(?:.|'n)*?>/gm, '');

试试这个：-

<!DOCTYPE html>
<html>
<body>
<script type="text/javascript">
function extractContent(value){
        var div = document.createElement('div')
        div.innerHTML=value;
        var text= div.textContent;            
        return text;
}
window.onload=function()
{
   alert(extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>"));
};
</script>
</body>
</html>

对于Node.js

这将使用jsdom库，因为node.js不像浏览器中那样具有dom功能。

import * as jsdom from "jsdom";
const html = "<h1>Testing<h1>";
const text = new jsdom.JSDOM(html).window.document.textContent;
console.log(text);

您可以将它临时写入位于页面外的块级元素。。像这样的东西：

HTML:

<div id="tmp" style="position:absolute;top:-400px;left:-400px;">
</div>

JavaScript:

<script type="text/javascript">
function extractContent(value){
        var div=document.getElementById('tmp');
        div.innerHTML=value;
        console.log(div.children[0].innerHTML);//console out p
}
extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>");
</script>

使用jQuery，我们可以在jQuery中添加逗号分隔的标记。

var readableText = [];
$("p, h1, h2, h3, h4, h5, h6").each(function(){ 
     readableText.push( $(this).text().trim() );
})
console.log( readableText.join(' ') );

使用match()函数调出HTML标签

const text = `<div>Hello World</div>`;
console.log(text.match(/<[^>]*?>/g));

根据Rick Hitchcock的答案和KevBot的答案，我找到了最好的方法：

function getTextLoop(element: HTMLElement | ChildNode) {
  const texts = [];
  Array.from(element.childNodes).forEach((node) => {
    if (node.nodeType === 3) {
      texts.push(node.textContent.trim());
    } else {
      texts.push(...getTextLoop(node));
    }
  });
  return texts;
}
function innerText(element: HTMLElement) {
  return getTextLoop(element).join(" ");
}
export function extractContent(s, space) {
  var span = document.createElement("span");
  span.innerHTML = s;
  if (space) {
    span.innerHTML = innerText(span);
  }
  return [span.textContent || span.innerText].toString().replace(/ +/g, " ");
}

示例：

extractContent("<div>foo<div>bar</div></div>", true); // foo bar

您需要数组来保存值

  function extractContent(value) {
var content_holder = new Array();
for(var i=0;i<value.length;i++) {
    if(value.charAt(i) === '>') {
        continue;
        while(value.charAt(i) != '<') {
            content_holder.push(value.charAt(i));
            console.log(content_holder[i]);
        }
    }
}
}extractContent("<p>Hello</p><a href='http://w3c.org'>W3C</a>");
相关文章：