实战中，直接命令行一把梭是最快的。比如在Linux或macOS下，一个简单的循环就能批量处理所有HTML文件，不用开软件也不用写脚本，而且默认行为就适合大多数网页文本提取场景。

为什么别用浏览器“另存为文本”或正则删标签

先聊聊那些看似省事、实则坑人的做法。浏览器右键“另存为文本”，丢掉的远不止格式——语义结构没了，标题变成了普通段落，中文乱码成了家常便饭，换行乱得没法看。直接在控制台敲document.body.innerText看起来快，但对动态渲染的内容完全不可靠，而且它可不会贴心地帮你过滤广告、导航栏、脚注这些干扰块。

更危险的是用正则表达式去匹配并删除标签。HTML允许属性值里包含>、注释里带着-->，CDATA段里什么花样都有——正则表达式要么漏删，要么误删，没有第三条路。以下是常见的翻车现场：

• 转换后整页内容粘成了一行，阅读得靠手指横向滚屏
• 中文变成了乱码或空格
• 链接变成了[1]，但正文里找不到对应的地址
• 表格内容全挤在一行里，根本无法阅读

html2text 批量转换的实操要点

回到我们的主角。html2text是专门为HTML转纯文本设计的命令行工具，不依赖浏览器，也不关心你用了什么CSS，但它能识别语义块——比如

、

、

这些标签，并转化为可读的纯文本格式。装好后，一个简单的命令就能搞定批量转换：

for f in *.html; do html2text -utf8 "$f" > "${f%.html}.txt"; done

几个关键参数值得记下来：

• -utf8：强制按UTF-8解码，避免中文乱码，尤其当源文件没有声明charset时特别管用
• -ss（smart script removal）：自动跳过JS渲染生成的广告、推荐位等干扰区块
• -b 2：设置列表缩进为2个空格，提升可读性
• 千万别加-nobs参数，否则列表项会失去符号标记，可读性大打折扣

如果你的HTML是用curl从网址抓取的，记得先检查响应头的编码声明：curl -I url | grep charset。如果发现是GBK编码，需要先通过iconv -f gbk -t utf-8转码，再喂给html2text处理。

Python + BeautifulSoup 更适合需要精细控制的场景

当需求变得更复杂时，比如必须删除特定区块（像

、）、保留表格结构、或者面对多个模板不一致的页面，BeautifulSoup就显示出了它的灵活性。核心代码不长：

from bs4 import BeautifulSoup
with open("input.html", "r", encoding="utf-8") as f:
    soup = BeautifulSoup(f, "lxml")

for tag in soup.find_all(["script", "style", "nav", "footer", "aside"]):
    tag.decompose()

text = soup.get_text(separator=" ", strip=True)
text = "\n".join(line.strip() for line in text.splitlines() if line.strip())

几个容易踩的坑得提前注意：

• soup.get_text(separator=" ")用空格分隔——这能防止相邻
  的文字粘成一团
• 表格需要单独处理：先找出所有标签，再遍历tr/td，否则默认会被压成单行
  解析器用lxml，它比内置的html.parser更鲁棒，尤其是面对格式不规范的HTML时
  Shadow DOM或Web Component这类页面，BeautifulSoup是无能为力的，得先用Puppeteer渲染出静态HTML再处理

  GUI 工具和在线转换器只适合一次性救急

  最后说说那些号称“一键批量转换”的桌面工具或在线服务。坦白讲，这类工具底层多数只是对html2text或BeautifulSoup的简单封装，但隐藏了编码、过滤、异常处理等关键细节。你不知道它是否跳过了里面的内容，也无法确认块是被原样保留还是一删了之。

  常见的坑包括：

  • 拖入一个GBK编码的HTML，输出TXT全乱码，工具却一声不吭
  • 批量转换中途某个文件报错，整个流程直接中断，还不告诉你具体是哪个文件出了问题
  • 广告模块没过滤干净，导致每份TXT开头都是一句“欢迎访问XXX网站”

  真正需要稳定批量处理的时候，命令行或脚本才是可审计、可复现、可集成进CI/CD的正道。最后说一个最容易被忽略的事实：所有转换方案都假设原始HTML是格式规范的，但现实世界里的网页充斥着嵌套错误、未闭合标签、编码声明缺失——这时候html2text的容错能力，远强于大多数GUI工具内置的解析器。