node.js \ 清理 html 并删除标签

Question

如何告诉 "sanitize-html" 实际删除 html 标签（只保留其中的内容）？目前，例如，如果我将其设置为保留 div 部分，则在输出中它还会写入 <div>some content</div> - 我只想要内部...('some content')

简而言之 - 我不需要标签、属性等 - 只需要那些元素的内容..

var Crawler = require("js-crawler");
    var download = require("url-download");
    var sanitizeHtml = require('sanitize-html');
    var util = require('util');
    var fs = require('fs');

    new Crawler().configure({depth: 1})
      .crawl("http://www.cnn.com", function onSuccess(page) {

        var clean = sanitizeHtml(page.body,{
         allowedTags: [ 'p', 'em', 'strong','div' ],
        });
        console.log(clean);
        fs.writeFile('sanitized.txt', clean, function (err) {
            if (err) throw err;
            console.log('It\'s saved! in same location.');
        });

        console.log(util.inspect(clean, {showHidden: false, depth: null}));
        var str = JSON.stringify(clean.toString());
        console.log(str);
        /*download(page.url, './download')
        .on('close', function () {
          console.log('One file has been downloaded.');
        });*/
      });

Answer 1

我是 sanitize-html 的作者。

您可以将 allowedTags 设置为空数组。 sanitize-html 不会丢弃不允许的标签的内容，只会丢弃标签本身（除了一些标签，如 "script" 和 "style"，这没有意义）。否则，它不会对其最初的预期用途有多大用处，即清理从文字处理器等复制并粘贴到富文本编辑器中的标记。

但是，如果您有如下标记：

<div>One</div><div>Two</div>

结果会是：

一二

要解决这个问题，您可以使用 textFilter 选项来确保标记文本后始终至少跟一个 space:

textFilter: function(text) {
  return text + ' ';
}

但是，这也会在包含 "strong" 和 "em".

等内联标记的句子中引入额外的 spaces

所以我想得越多，对你来说最好的答案可能是一个完全不同的 npm 模块：

https://www.npmjs.com/package/html-to-text

它被广泛使用并且比您的用例更适合。 sanitize-html 真正适用于您需要标签的情况...只是不是错误的标签。

node.js \ 清理 html 并删除标签

node.js \ sanitize html and also remove tags

node.js

html-sanitizing