抓取页面内的所有文本内容

最近公司要求实现这么一个需求绞尽脑汁终于写了出来：实现了页面内所有的抓取，还有一点小问题需要优化；

下面直接上代码，不废话。

// *
// * 抓取html页面body中所有文本信息
// * return string[]
// * /
function getAllText() {
    alert("调用了getAllText()函数！");
    // 直接获取所有body中的dom对象
    var allDoms = document.body.getElementsByTagName('*');
    
    // 定义数组用于返回
    var array = [];
    
    // 循环所有dom对象进行处理
    for (var i = 0; i < allDoms.length; i++) {
    
        // 取出当前dom对象的html信息
        var html = allDoms[i].innerHTML;
        // 取出当前dom对象的所有子对象children
        var childrenDoms = allDoms[i].children;
        
        for (var j = 0; j < childrenDoms.length; j++) {
            // 循环所有子对象，并将子对象的内容从html中移除
            html = html.replace(childrenDoms[j].outerHTML, '');
        }
        
        // 如果html还剩余内容则继续处理
        if (html) {
            // 利用正则表达式去除多余内容
            // 四个正则表达式分别取出内容为：    
            // 1:样式内容<style>*</style>；  
            //  2: 脚本内容 <script>*</script>    
            //  3:html标签内容 <*>    
            //  4:所有不可见字符，例如 
,
,	等等
            // 风险： 如果文本内容中也有<xxx>，也会被剔除，暂时没有解决方案，如果不剔除html标签内容会有很多无用数据
            html = html.replace(/<style.*?>.*?</style>/ig, '').replace(/<script.*?>.*?</script>/ig, '').replace(/</?[^>]*>/g, '').replace(/s/g, '');
            if (html) {
                // 将字符筛选完毕后如果还有剩余内容则放入结果数组中
                array.push(html);
            }
        }
    }
    return array;
}

 下面我们在Chrome浏览器中测试一下效果：

随意进入一个页面如下：

进入开发者工具页面将刚才的代码粘贴只控制台并且调用getAllText()