¿Cómo convierte html a texto de manera eficiente usando NodeJS, es decir, fuera del navegador? También quiero convertir entidades como ä a ä , etc. y no solo eliminar etiquetas del html.
Aquí hay una prueba de unidad JEST para una función convertHtmlToText que hace esta conversión:
it('when extract from partial html should extract text', () => { const html = `<p> äü \t<img alt="" src="http://www.test.org:80/imageupload/userfiles/2/images/world med new - 2022.jpg" style="width: 2000px; height: 1047px; max-width: 100%; height: auto;" /></p> <p> \tAn evening of music, silence and guiding thoughts to help us experience inner peace, connect with the Divine and share loving vibrations with the world. Join millions of people throughout the world to contribute in creating a wave of peace.</p> <div> \t </div> <div> \t<strong>Please join ....</strong></div> <div> \t </div> <div> \t<strong>Watch live: <a href="https://test.org/watchlive" target="_blank">test.org/watchlive</a></strong></div>` const text = convertHtmlToText(html) console.log(text) expect(text).toContain("ä"); expect(text).toContain("ü"); expect.not.stringContaining("<") expect.not.stringContaining(">") });Una posible solución para esta pregunta sería usar una biblioteca como, por ejemplo: jsdom
Esta es la función que elimina etiquetas y también convierte entidades de cualquier texto html:
const jsdom = require("jsdom"); const { JSDOM } = jsdom; const convertHtmlToText = (html) => { if(!html) { return "" } const dom = new JSDOM(html) const textContent = dom.window.document.documentElement.textContent // removing unnecessary spaces return textContent.replace(/\s+/gm, ' ').trim() } module.exports = { convertHtmlToText } let HTMLContent = `<div> my' <a href="profile/lol">profile</a></div>`; let strippedHtml = decodeHTMLEntities(HTMLContent.replace(/<[^>]+>/g, '')); console.log(strippedHtml) function decodeHTMLEntities(text) { var entities = [ ['amp', '&'], ['apos', '\''], ['#x27', '\''], ['#x2F', '/'], ['#39', '\''], ['#47', '/'], ['lt', '<'], ['gt', '>'], ['nbsp', ' '], ['quot', '"'] ]; for (var i = 0, max = entities.length; i < max; ++i) { text = text.replace(new RegExp('&' + entities[i][0] + ';', 'g'), entities[i][1]); } return text; }prueba esto