HTML → 일반 텍스트

전용으로 만든 작은 파서로 입력을 한 번 훑어 DOM을 거치지 않고 텍스트 내용만 내보냅니다. <script>, <style>, <iframe> 같은 것들은 내용째로 버리고, 블록 수준 태그(<p>, <h1>, <li> 등)는 줄바꿈이 되며, &와 © 같은 엔티티는 원래 문자로 되돌립니다. CMS나 메일에서 서식 있는 텍스트를 복사했는데 마크다운 파일이나 스프레드시트, 터미널에 넣을 평문이 필요할 때 씁니다.

스크립트 태그를 내용째로 버리는 것이 소박한 제거가 틀리는 지점입니다. 패턴으로 꺾쇠 쌍만 없애면 자바스크립트가 겉보기 산문으로 남아서, 출력 한가운데에 알아볼 수 없는 변수 이름과 함수 본문이 들어갑니다. CSS도, 온전한 페이지의 <head> 내용도 마찬가지입니다.

블록 태그가 줄바꿈이 되는 것이 결과를 읽을 수 있게 유지합니다. HTML은 공백을 합치고 구조를 태그에 맡기므로, 대체 없이 태그만 없애면 모든 문단과 목록 항목과 제목이 한 줄로 이어 붙습니다. 스프레드시트 수식으로 태그를 걷어 내면 절이 나뉘어 있던 문서가 글자 벽이 되는 이유가 그것입니다.

엔티티는 해석해야 하며 그러지 않으면 출력이 평문이 아닙니다. &는 앰퍼샌드이고,  는 공백이 아닌 공백이며, ’ 같은 숫자 엔티티는 둥근 아포스트로피입니다. 그대로 두면 글자처럼 보이면서 뒤따르는 어떤 비교도 실패하는 것이 나오고,  를 공백이 아니라 U+00A0으로 해석한다는 구분은 결과가 파서로 들어갈 때 알아 둘 값어치가 있습니다.

이것이 아닌 것은 살균기(sanitiser)입니다. 사용자 입력을 표시해도 안전하게 만들려고 태그를 걷어 내는 것은 잘 알려진 틀린 방법입니다. 안전한 연산은 출력할 때 이스케이프하는 것이고, 그것은 <를 <로 바꾸면서 글자는 온전히 남깁니다. 마크업처럼 보이는 것을 없애는 일이 아닙니다. 이 툴은 이미 믿고 있고 읽고 싶은 텍스트를 위한 것입니다.

한 번에 훑는 파서라서 큰 덩어리를 붙여 넣어도 문서 트리를 만들지 않고 처리하며, 같은 이유로 심하게 망가진 입력은 가정하지 말고 확인해 보는 편이 낫습니다.