document.body.innerText 是浏览器端最直接可靠的提取方式，需 DOM 加载完成；服务端推荐 BeautifulSoup.get_text()，正则 /]*>/g 仅适用于极简 HTML 且风险高。
document.body.innerText 是浏览器环境下最直接、最可靠的提取方式，但必须在页面已加载且 DOM 完整时执行；服务端或批量处理场景下，BeautifulSoup.get_text() 更稳妥，而正则表达式 /]*>/g 仅适合结构极简的 HTML 片段，误删风险高。
用 document.body.innerText 快速提取当前页文本
这是前端调试中最常用的方法，不依赖外部库，直接利用浏览器原生解析能力：
- 打开开发者工具（F12），切换到 Console 面板
- 输入
document.body.innerText并回车，输出即为渲染后可见的纯文本 - 若需排除隐藏元素（如
display: none或visibility: hidden的内容），innerText默认已过滤；但textContent不会，它返回所有文本节点，包括被 CSS 隐藏的 - 注意：如果页面通过 JavaScript 动态注入内容，需等脚本执行完毕再运行该命令，否则会漏掉异步加载的文本
用 BeautifulSoup.get_text() 处理 HTML 字符串或文件
Python 中最主流、最健壮的方案，能正确处理嵌套、自闭合标签、实体编码和不规范 HTML：
- 安装依赖：
pip install beautifulsoup4 - 基础用法：
soup = BeautifulSoup(html_string, "html.parser"); text = soup.get_text() - 保留段落结构：传入
separator="\n"，例如soup.get_text(separator="\n", strip=True)，可让每个块级元素（如<p>、<h1>）之间换行 - 避免粘连中文：不要用空字符串
sep=""，否则像<p>你好<span>世界</span></p>会变成“你好世界”，中间无空格 - 不推荐用
soup.find_all(text=True)拼接，它会漏掉部分注释、CDATA 或 script 标签里的文本，get_text()内部已做完整遍历
为什么不该用正则表达式 /]*>/g 剥离标签
看似简单，实则陷阱密集，尤其在生产环境：
Article To Html
下载
文章转信息图。将文章/笔记转化为手机可读的 HTML 信息图，自动匹配视觉风格。触发场景：文章转图、笔记转图、信息图、转小红书图、做张图、可视化这篇文章、文生图。
立即学习“前端免费学习笔记（深入）”；
- 匹配失败：遇到
<script>console.log("x > y");</script>，正则会把>当作标签结束，导致截断或乱码 - 实体未解码：
等会被原样保留，变成 “ ” 而非空格，“<” 而非 “<li>注释和 CDATA 被忽略：<code><!-- comment -->或<![CDATA[...]]>中的内容可能意外暴露 - 无法处理 malformed HTML：比如缺失闭合标签的
<p>段落一<p>段落二，正则会错误地把整个字符串当做一个标签处理
服务端 Java 场景优先选 Jsoup.parse().text()
Java 生态中，Jsoup 是事实标准，比 DOMDocument 或手动字符串操作可靠得多：
- Maven 依赖：
<groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.17.2</version> - 一行提取：
String text = Jsoup.parse(htmlString).body().text(); - 自动处理编码、转义、script/style 标签剔除，默认不包含这些标签内的文本
- 若需保留换行逻辑，不能只靠
.text()，要遍历元素并拼接：element.childNodes().stream().map(Node::toString).collect(Collectors.joining("\n"))，但通常没必要——.text()已足够干净 - 别用
String.replaceAll("<.*?>", "")，它和正则一样脆弱，且对多行、嵌套、属性值含>的情况完全失效
真正容易被忽略的是：HTML 中的文本不等于用户看到的文本。CSS content 伪元素、aria-label、title 属性、alt 文本，这些都不会出现在 innerText 或 get_text() 结果里——如果你需要语义更完整的“可访问文本”，得额外提取这些属性，而不是只盯着标签之间的内容。
