应保留h1–h6、p、li、dt/dd中的可见纯文本，删除script/style等噪声及aria-hidden元素；键名需用DOM路径+文本哈希生成，避免语义冲突与序列化问题；提取时过滤短词、空格、实体并保留旧翻译值。
提取HTML文本时，哪些内容该留、哪些该删
直接用 innerText 或 textContent 拿全文，大概率会混入导航栏、页脚、广告脚本输出等噪声。真正要进翻译字典的，是用户可见且语义独立的文本节点。
推荐做法是先用 CSS 选择器明确范围，再逐节点过滤：
- 保留
<h1>–<h6>、<p>、<li>、<dt>/<dd>中的纯文本 - 跳过
style、script、noscript、meta、link标签及其后代 - 忽略含
aria-hidden="true"或role="presentation"的元素 - 对
<input>和<textarea>，只取placeholder属性值，value不提取（它属于运行时状态，不是界面文案）
生成翻译键名时，为什么不能直接用文本内容做 key
“提交”“确定”“OK”这种短词在不同上下文里语义不同，直接当 key 会导致翻译错位；更糟的是，带空格、换行、HTML 实体（如 ）的文本无法稳定哈希或 JSON 序列化。
可靠做法是为每个文本节点生成唯一、可复现的键：
html-to-pptx-converter
下载
使用 PptxGenJS 和 Python 解析，将结构化的 HTML/CSS 幻灯片内容转换为原生、可编辑的 PowerPoint（.pptx）演示文稿。
立即学习“前端免费学习笔记（深入）”；
- 用 DOM 路径 + 文本哈希组合：例如
"main-article-header-01#sha256:abc123" - 路径部分用
element.closest("article")?.dataset.id或element.parentElement?.tagName等轻量标识，避免依赖 class 名（易变） - 对重复文本（如多个“查看详情”），加序号后缀：
"button-readmore-01"、"button-readmore-02" - 跳过纯数字、纯 URL、base64 片段等机器生成内容——它们不该进翻译字典
Python 提取 + 生成 JSON 字典的最小可行代码
不用重写轮子，BeautifulSoup 配合少量清洗逻辑就足够。关键不是功能全，而是输出稳定、可 diff、可增量更新。
示例片段（注意 strip() 和 replace("\xa0", " ") 处理不间断空格）：
from bs4 import BeautifulSoup
import hashlib
import json
<p>def extract_translatable_texts(html_path):
with open(html_path, encoding="utf-8") as f:
soup = BeautifulSoup(f, "html.parser")</p><pre class='brush:php;toolbar:false;'>texts = {}
for tag in soup.find_all(["h1", "h2", "h3", "p", "li", "dt", "dd"]):
text = tag.get_text(strip=True)
if not text or len(text) < 2: # 过滤单字符、空白
continue
text_clean = text.replace("\xa0", " ").strip()
key = hashlib.sha256(text_clean.encode()).hexdigest()[:8]
# 加上下文前缀防冲突
full_key = f"{tag.name}-{key}"
texts[full_key] = {"source": text_clean, "target": ""}
return texts保存为可编辑的 JSON，缩进 2，确保 git diff 友好
with open("zh-CN.json", "w", encoding="utf-8") as f: json.dump(extract_translatable_texts("index.html"), f, indent=2, ensure_ascii=False)
后续维护时最容易被忽略的三个点
生成字典只是第一步，真正卡住团队的是后续同步和冲突处理：
- HTML 结构微调（比如把
<p>换成<div role="paragraph">）会导致 key 全变——必须配套维护 DOM 路径规则，不能只靠哈希 - 翻译人员填完
zh-CN.json后，前端 JS 加载时若遇到缺失 key，应 fallback 到源文本，而不是留空或报错 - 每次重新提取，旧字典里的
"target"字段要尽量保留，仅新增未出现的 key；用dict.update()而非覆盖写入
