从 Google 文档里弄出干净的 HTML

这是最先把人绕住的一步：从文档菜单里「下载 → 网页」，给你的是一个 zip，里面是一份完整的 HTML 文档加一份内嵌样式表 —— 整页连样式一起。

你要的是剪贴板。在文档里选中内容复制，剪贴板上会放一份富文本 HTML，那一份带着结构而不带样式表。

Google 的剪贴板 HTML 几乎给每个元素都挂了 class —— c0、c1、c17，列表项上还有 lst-kix_ 开头的。它们是按每份文档生成的，指向的 CSS 留在文档那边。

所以它们不只是噪音，而是死引用：在你的页面上什么都不做，会跟你自己的 class 名撞车，还让这段标记在你要改的时候没法读。

清理是按模式来的 —— c 加数字、lst-kix_ 开头的任何东西、docs-internal-guid 的 id。你自己的 class 如果混在里面，不动。

文档会把复制的内容裹进一个 <b style="font-weight:normal">。这是个明确关掉了加粗的 <b> 标签 —— 编辑器内部记录格式的方式导致的怪东西。

把它粘到任何会剥掉 style 属性的地方（大多数 CMS 都会），整块就变粗了。这儿的做法是把这个标签拆掉而不是留着，于是内容出来的嵌套层级就是它本来该有的那个。

同一遍还会删掉 class 名清掉之后剩下的空 <span>。就是它们让两段文字粘出来有十二行。

文档里的链接出来指向的是 google.com/url?q=https://example.com/…，而不是目标地址。Google 拿它在编辑器里统计点击。

发到页面上，意思就是你站上每一条外链都绕一趟 Google、状态栏里显示的网址是错的，而且那个跳转器哪天变了链接就全断。

这层外壳会被拆回真正的目标地址，嵌套了几层就拆几层。跟踪参数也一起走 —— utm_source 那一家子、gclid、fbclid，还有另外几个。

标题、段落、列表、表格、链接、粗体斜体 —— 换句话说，那份文档。脚本、事件处理器、行内样式都没了，因为剪贴板 HTML 可能来自网上任何一页，一律当不可信输入处理。

有两件事清理器留给你。Google 那些空占位段落会以 <p></p> 的形式过来，不要的自己删。还有文档里的图片存在 Google 服务器上，网址是会过期的 —— 下载下来自己托管，不然过些日子它们会从你的页面上消失。