HTML → TXT

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。

TXT 是什么

TXT 是纯文本格式，文件里只有字符本身，没有任何字体、字号、颜色、图片或分页信息 —— 换行符是唯一的「结构」。中文网络小说绝大多数以 TXT 流传，原因就是它体积小、任何设备都能打开、易于复制与增量更新。代价是它不携带章节结构、没有封面与元数据，而且编码（UTF-8 / GBK / UTF-16）不一致时会出现乱码，这是 TXT 最常见的两个问题。

HTML 转 TXT 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

TXT 只能保存字符：所有图片、字体、字号、颜色、表格、脚注、超链接都会消失，章节标题降级为普通文字行。转换时还要选定编码（中文建议 UTF-8，老设备可能要求 GBK），编码选错会直接变成乱码。

两端格式交互带来的坑

• 源里的插图、封面、图表在内都是图片，而目标格式不存图片 —— 它们会全部丢失，且原文中「如下图所示」这类指代会变成悬空引用。若书中插图重要，建议改用 EPUB 或 PDF 作为目标。
• 源文件里的书名、作者、出版社、语言、封面等元数据在目标格式中无处存放，会全部丢失。若你之后要把转出的文件放回书库，需要靠文件名自己记住这些信息。
• 涉及 TXT 就要盯住编码：中文 TXT 常见 UTF-8、GBK、GB18030、BIG5，还有带 BOM 与不带 BOM 的区别。写入时选 UTF-8（不带 BOM）兼容性最好；写入 GBK 是为了兼容老设备。编码选错的表现是整篇乱码，而不是报错。
• 换行符也要统一：Windows 用 CRLF、Unix 用 LF，Mac 老文本曾用 CR。混用会导致某些阅读器把所有文字显示成一行。转换后若发现「整本书挤成一段」，先查换行符。

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. 确认编码与换行符：用 UTF-8（无 BOM），换行统一为 LF 或 CRLF。

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。
• 中文网络小说的 TXT 常见三种「乱码」，处理方式完全不同：① 编码不符（把 UTF-8 当 GBK 读）—— 换对编码即可恢复；② 防盗乱码（作者故意替换了部分字符）—— 无法还原，只能换源；③ 全角半角混排或生僻字缺字 —— 属于字体问题。转换前先判断是哪一种，别把第三类当成第一类反复转码。
• 小说的封面、人物插图和卷首图都会丢失，书库里会显示成一张空白封面。长篇连载尤其常见「每卷一张卷首图」，转换后那个位置只剩一个空行。
• 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 TXT 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