html是纯文本格式，无需转换；所谓“转换”实为导出（如word→html）或解析（如html→markdown），office导出冗余多，推荐pandoc；提取结构化内容宜用turndown或cheerio；innerhtml直接赋值会破坏dom状态与交互。
HTML 文件本身不是一种需要“转换”的格式，它就是纯文本；所谓“转换”，实际是把其他格式（如 Word、Markdown、PDF）导出或渲染成 HTML，或者把 HTML 解析/提取成别的结构（如 Markdown、JSON）。直接用文本编辑器打开 .html 文件改后缀名，不会改变内容本质。
怎么把 Word / Excel / PPT 转成 HTML
Office 套件导出 HTML 是最常见需求，但结果常让人失望：生成大量冗余 <span></span>、内联样式、class 名带随机哈希，且不兼容现代前端流程。
- 用 Microsoft Word →「另存为」→ 选择「网页 (*.htm; *.html)」→ 选「筛选过的网页」比「单个文件网页」稍干净，但仍含
mso-前缀样式 - LibreOffice 更可控：导出时勾选「仅限 HTML 格式」+「不嵌入 CSS」，能减少
style属性滥用 - 真正想用于开发？别依赖 Office 导出。用
pandoc处理源文档更可靠：pandoc input.docx -o output.html --standalone - 注意：Excel 表格转 HTML 默认用
<table>，但缺失语义化属性（如 <code>scope、aria-label），手动补或用脚本注入怎么把 HTML 提取成 Markdown 或纯文本
目标是丢掉标签、保留结构逻辑，但
innerHTML直接取文本会丢失换行和标题层级，而简单正则又容易崩在嵌套标签上。- 浏览器环境优先用
DOMParser+document.body.textContent拿纯文本，但会抹平所有段落区分 - 要保留标题/列表结构？用
turndown库（npm 包）：new TurndownService().turndown(document.body)，它能识别<h2></h2>→##、<ul><li></ul>→- - Node.js 环境推荐
cheerio+ 手写规则：先$("script, style").remove()清除干扰节点，再遍历"h1,h2,p,ul,ol"分别映射 - 坑：含
<figure><figcaption></figcaption></figure>的图片块，turndown默认不处理，需注册自定义 rule
为什么用
innerHTML替换内容后页面乱了直接赋值
element.innerHTML = htmlString看似简单，但会销毁原有 DOM 节点、重置事件监听、清空表单值、中断 Web Component 生命周期。立即学习“前端免费学习笔记（深入）”；
- 如果只是更新局部文本，优先用
textContent或innerText（后者受 CSS 影响） - 必须插入 HTML？确保字符串已做过 XSS 过滤，不要直接拼接用户输入：
DOMPurify.sanitize(dirtyHtml) - 动态插入含
<script></script>的 HTML？innerHTML不执行其中脚本，得手动eval或创建<script></script>标签 append，但极不推荐 - Vue/React 项目里硬塞
innerHTML，会绕过响应式系统，后续数据更新不再触发视图重绘
真正麻烦的从来不是“怎么转”，而是转完之后的语义对齐、样式继承、交互状态保持——比如一个从 Word 粘贴进来的
<div style="margin:0px auto;">，在 CSS Grid 布局里可能完全失效，但错误不会报在控制台里。</div> - 浏览器环境优先用
