HTML → Markdown/DOCX

HTML 是什么

HTML / XHTML 是网页的结构语言，也是 EPUB 内部真正使用的正文格式；.mhtml（MHTML）则是把网页及其全部资源（图片、CSS）打包成单个文件，常用于「另存为单个网页」。XML 是通用标记语言，FB2、OPF 等格式本身就是一种 XML。这一族本质上都是「带标签的文本」，标签决定结构，所以转成其他格式时保留多少结构，取决于转换工具对标签的理解程度。

Markdown/DOCX 是什么

这里把 Markdown（.md）与 Word 文档（.docx）归为一族，因为它们在转换中的角色相同：都是「带轻量结构的写作源文件」。Markdown 是纯文本加标记符号（# 标题、** 加粗），干净但表达力有限；.docx 是一个 ZIP 包，里面是 Office Open XML，排版信息远比 Markdown 丰富（分页、页眉页脚、批注、修订）。两者都适合作为转换的起点，而不是最终的阅读格式。

HTML 转 Markdown/DOCX 需要注意什么

先从源格式抽出内容时

HTML 的结构全在标签里，但真实网页混杂导航、广告、页脚等噪声，直接整页转换会把它们一起带进去。建议先用可读性算法（如 Readability）抽出正文容器，并注意 <img> 多为外链 —— 转成单文件格式前必须把图片下载并内嵌。

写进目标格式时

生成 .docx 适合后续继续编辑，但阅读体验不是它的目标：分页会随 Word 版本和字体变化，手机上看排版容易错乱。若目标是阅读器，EPUB 才是正确终点。

两端格式交互带来的坑

• 从单个文本文件变成有目录结构的压缩包，是信息「增加」的方向：工具需要替你生成清单文件、目录页与元数据。这些生成物的质量（章节切分是否准确、语言标注是否正确）直接决定成品好不好用。

转换后自检清单

1. 先用前 3 章试转，确认没有丢字、串行或错位，再整本转换。
2. 检查章节切分：目录条目数应与实际章数一致。
3. 随机翻 5 处，搜索书中一个人名，确认文本可被完整检索。
4. 确认插图数量与位置：尤其看图片有没有挤在章节末尾。
5. 补全书名、作者、语言；语言标签写错会导致排版（如中文断行）异常。

小说转换的特殊之处

小说是最常见、也最特殊的一类电子书：几百上千章、几乎没有图表、常常只有一份 TXT 源文件，中文源还经常带防盗乱码。下面几点是最容易踩、也最影响阅读体验的。

• 长篇小说动辄数百上千章，目录质量直接决定这本书能不能用。转换前先把章标题统一成一种可识别的写法（例如都写成「第X章 标题」并独占一行），否则目标格式里的目录会缺章、串章，甚至整本只剩一章。
• 分卷信息（「第一卷」「第二卷」）在多数转换里会被降级成普通标题，卷与章的层级关系随之丢失。如果你在意层级，转换后到编辑器里把卷标题提升一级，别让它和章标题平级。

HTML 转 Markdown/DOCX 的工具

下面这些工具都能完成这个方向的转换，按你的操作系统和文件数量挑一个即可。动手前建议先看上一节的注意事项 —— 顺序错了（比如该先 OCR 却直接转）往往要重来一遍。

常见问题

相关格式转换