Sublime怎么一键去除HTML标签 Sublime正则过滤富文本提取纯文【提取】

Sublime怎么一键去除HTML标签 Sublime正则过滤富文本提取纯文【提取】

想在 Sublime Text 里快速剥离 HTML 标签，提取干净文本？很多人会直奔正则表达式。但这里有个核心提醒：没有所谓的“一键万能”方案。网上流传的 <[^>]*> 表达式，确实是单行处理场景下最稳妥的选择，因为它巧妙地避开了属性值里可能包含的小于号。不过，它也有明确的局限——跨行标签、脚本样式块、以及复杂的注释结构，它都无能为力。

Sublime 里该用哪个正则表达式

直接说结论：首选 <[^>]*>。为什么不选其他看起来更灵活的呢？我们来对比一下：

• <[^>]*>：它的匹配逻辑是“寻找一个小于号，然后匹配其后所有不是大于号的字符，直到遇见第一个大于号为止”。这个设计非常聪明，能有效防止属性值（比如 alt="A < B"）中的小于号误触发匹配，从而避免破坏内容。
• <.*?>：这个表达式在多数情况下也能工作，但在 Sublime 的默认正则引擎下，点号（.）通常不匹配换行符。一旦标签跨行，它就失效了。更危险的是，如果遇到 ，它可能会把脚本字符串里的‘

  ’也当作标签删掉，导致代码损坏。

• <\/?.*?\/?>：这个模式过于宽泛，可能会匹配到本不该被删除的内容，比如 HTML 注释 或文档类型声明 ，导致清理结果不纯净。

为什么 Replace All 后文本粘连或空行乱飞

用正则删完标签后，经常发现所有文字都挤在了一起，或者空行多得离谱。这其实不是正则写错了，而是HTML的视觉格式丢失了。网页上的段落和换行，是靠

、
、

这些标签来定义的，当你把它们全部删除，文本自然就失去了原有的结构。

想得到更可读的纯文本，可以试试这个“三步整理法”：

• 第一步，统一换行符：不同系统带来的换行符（\r\n, \r, \n）可能很混乱。先用正则 (?:\r\n|\r|\n)+ 把它们全部替换成统一的 \n（LF）。
• 第二步，还原段落结构：针对常见的块级标签进行单独处理。例如，将

  和

  都替换为两个换行符 \n\n，将
替换为一个换行符 \n。这一步可以在删除所有标签之前或之后进行。
• 第三步，清理多余空行：经过上述操作，可能会产生连续多个空行。使用 \n\s*\n 匹配连续换行（中间可能有空格），替换为 \n\n（即两个换行），这样就能让排版变得清爽。

遇到 和 块。对应的正则可以是 ]*>[\s\S]*?<\/script>。

一并处理注释和CDATA：同样的道理，HTML注释 和 CDATA 区块 也应该在这一步被移除，避免干扰后续的标签匹配。

最后删除剩余标签：处理完这些特殊内容后，再运行 <[^>]*> 来清除剩下的所有HTML标签，这样就安全多了。

什么时候不该用 Sublime 正则

必须承认，Sublime Text的正则功能再强大，它终究是一个文本编辑器，而非专业的HTML解析器。在以下几种场景下，依赖正则就像是试图用螺丝刀砍树：

• HTML结构不规范：面对爬虫抓取的、标签未正确闭合或严重嵌套混乱的代码（例如

  text

  ），正则表达式很容易“迷路”，导致漏删或误删。
• 存在HTML实体：正则只会删除标签，但像 （空格）、<（<）这类实体字符会原样保留在文本中，导致提取结果充满“&”符号，可读性差。
• 处理大文件或复杂文档：当HTML文件体积庞大（超过几百KB）或结构极其复杂时，在Sublime中进行多次正则替换可能导致软件卡顿甚至无响应，效率低下且风险高。

那么，什么才是更鲁棒（Robust）的方案呢？如果追求高保真和自动化，应该转向真正的编程工具：在浏览器开发者工具中直接使用 element.textContent；或者用 Python 配合 BeautifulSoup、lxml 这类解析库。Sublime 的正则替换，更适合处理那些你明确知道结构相对简单、文件不大，且对结果要求是“快速预览，大致可用”的临时任务。记住，工具没有好坏，只有是否适用。