Strip HTML Tags

HTML 标签去除器从 HTML 文本中移除所有标签、脚本和样式内容，提取纯文本。工具执行以下处理步骤：移除 style 标签及其内容、移除 script 标签及其内容、移除所有 HTML 标签（保留内部文本）、解码常见的 HTML 实体（ 、&、<、>、"、'）、清理其他未识别的 HTML 实体、合并多余空行。最终输出干净的可读文本。

HTML 标签去除在数据清洗和内容处理中广泛应用。Web 爬虫需要从 HTML 页面提取纯文本内容用于分析或索引；邮件客户端显示纯文本版邮件时需要去除 HTML 格式；将富文本内容导入不支持 HTML 的旧系统时需要清洗数据；在 NLP（自然语言处理）预处理阶段，去除 HTML 标签是数据规范化的第一步。

提取纯文本后，可使用 HTML 格式化器 重新格式化 HTML 代码，或使用 HTML 实体编码器 对提取文本中的特殊字符进行编码。

HTML 标签的定义遵循 XML/HTML 规范，以 < 开始、> 结束。正则表达式可用于简单的标签移除，但对于复杂的 HTML 结构（如嵌套标签、非标准属性、条件注释），正则方案有限制。该工具使用多层正则处理：先移除 style 和 script 内容块，再移除标签，最后解码 HTML 实体。

HTML 实体是特殊字符的编码表示（如 &amp; 代表 & 符号），在纯文本输出中需要解码为原始字符。该工具处理常见的命名实体，但完整的 HTML 实体列表包含数百个条目。

• 正则局限性：工具使用正则表达式处理 HTML，无法完美处理所有边界情况（如标签属性中含有 > 字符、CDATA 区块、条件注释），对于复杂的 HTML 建议使用 HTML 解析器。
• 实体解码不完整：工具仅处理最常见的 HTML 实体，对于数字实体（如 &#x20AC;）和冷门实体可能无法正确解码。
• 空白丢失：块级元素（p、div、h1-h6）之间的间距在去标签后会丢失，导致段落之间的内容直接粘连。
• JavaScript 内容：script 标签内容会被移除，但如果 HTML 中包含内联事件处理属性（如 onclick），其中的 JavaScript 代码不会被清理。

在快速提取 HTML 中的文本内容、清洗少量网页数据、或处理简单格式的富文本时使用此工具。对于大规模数据清洗或需要精确 HTML 解析的场景，应使用 DOMParser API、cheerio、BeautifulSoup 等成熟解析器，它们能正确处理复杂的 HTML 结构和完整的实体映射。