Как очистить html от всех тегов оставив основные?

Question

[Сергей Программист 1С]

Перебираю различные регулярные выражения
типа <(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+(?
и тестирую здесь - https://www.regextester.com/93515
почти справляется - но код внутри script остается и другие шероховатости.
Поделитесь решением - я спарсил html страницу - хочу оставить только "основной" html код - с основными тегами абзац, заголовок, выделение жирным - есть какое-то более менее универсальное решение?
Задача спарсить страницу и оставить только текст с нее (понятно что встает вопрос что считать текстом, это детали, сейчас нужна просто очистка от технического мусора)

Comments

[Алексей Уколов]

С произвольным html нельзя работать регулярными выражениями. Постройте из вашего html DOM и обходите уже его.

[Сергей Программист 1С]

Алексей Уколов, ДОМ это хорошо, только он будет на множестве сайтов разный, придется +- к каждому подбирать вариант. Хотя удалить мусор внутри боди в принципе да, решаемая задача. Спасибо.

[Алексей Уколов]

Адаптировать логику в любом случае придётся, только с регулярными выражениями ещё и не получится в итоге, а с DOM будет результат :)