HTMLページやメールから読める本文だけを取り出す

やりたいこと

Webページをコピーしたらタグまで付いてきた、HTMLメールの本文を検索用・保管用・読み上げ用に取り出したい、という場面です。タグを正規表現で削ると実体参照が壊れて結果が汚れます。パースするのが確実です。

具体例

<h1>請求書</h1><p>合計: <b>¥1,100</b>（税込）</p> を貼って抽出すると、「請求書」と「合計: ¥1,100（税込）」が別々の行に出ます。ブロック要素ごとに1行で、実体参照も解決済みです。

改行モードを切り替えれば全てを1段落に連結できます。リンクリストのオプションをオンにすると、リンク文字の後ろに隠れたURLも一覧で取り出せます。

• script・style・headの内容は除外されるため、ページソースをそのまま貼っても可視のテキストが残ります。
• ブラウザ内蔵パーサーがブラウザと同じ補正をするため、タグの対応が壊れたHTMLでもきれいに出ます。
• 画像からはalt属性の文字だけを拾います。表や段組みは単純な行に平たくなります。

制限

入力は500,000文字まで。テキスト抽出のみで、Markdown変換や書式の保持はしません。自分で書いたMarkdownをHTMLとして見たい用途にはプレビューの方を使います。