长页面文本提取应优先用lxml解析器替代html.parser，定位主内容容器后分段提取，并设置separator、strip和types参数优化输出；JS渲染内容需换用Playwright或Selenium。
get_text() 是最直接的入口，但长页面下容易卡住或返回空、乱码、结构塌缩——关键不在“怎么提”，而在“提之前怎么准备”。
用 lxml 解析器替代 html.parser
默认的 html.parser 在处理万行级 HTML（如新闻长文、PDF 转 HTML、带大量注释/JS 的页面）时解析慢、容错弱，常导致 soup.find_all() 返回空列表或节点断裂。
- 安装
lxml：pip install lxml，然后显式指定解析器：BeautifulSoup(html, 'lxml') -
lxml自动修复缺失闭合标签、属性引号缺失、嵌套错位等常见问题，对长页面结构稳定性提升显著 - 若遇到
XMLSyntaxError，说明 HTML 中混有 XML 声明（如<?xml ...?>），可先用re.sub(r'<\?xml[^?]*\?>', '', html)清理头部
分段提取比全量 get_text() 更可靠
对超长页面（>500KB 或含数百个 <p>），直接调用 soup.get_text() 容易内存暴涨、响应延迟，且无法控制段落粒度。
- 优先定位主内容容器，例如：
soup.select('article') or soup.find(class_='content') or soup.find(id='main') - 再按语义块逐个提取：
for elem in content_div.find_all(['p', 'h2', 'li']): print(elem.get_text(strip=True)) - 避免无差别遍历整个
soup树；soup.body.get_text()看似方便，实则会把页脚、侧边栏、广告代码全吞进来
处理换行、空格和分隔符的三个关键参数
长页面中，文本常被 <br>、<div> 换行、多余空格或 CSS 隐藏元素干扰，get_text() 默认行为会粘连或截断。
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）”；
-
separator=' '：在相邻文本节点间插入空格，防止“标题正文”变成“标题正文” -
strip=True：必须开启，否则每段前后可能带 5–10 个空格或换行符 -
types=(bs4.element.NavigableString,)：过滤掉注释、CDATA、脚本内容，避免提取出<!-- Google Analytics -->这类噪声
JavaScript 渲染内容不出现？别硬等 get_text()
如果目标文本是通过 JS 动态注入（如 React/Vue 单页应用、懒加载段落），BeautifulSoup 解析原始 HTML 必然为空——它不执行 JS。
- 确认是否为静态 HTML：右键「查看网页源代码」，搜索目标文本。找不到 = 必须换方案
- 真实渲染场景下，
requests+BeautifulSoup无效，应改用Playwright或Selenium启动浏览器上下文 - 临时验证可用：
curl -s URL | grep -o '目标关键词'，若无结果，说明服务端未下发该文本
长页面文本提取真正的难点从来不是 API 调用，而是判断哪一段 HTML 是「有效内容容器」、哪部分是「干扰噪声」——这需要结合 CSS 类名规律、DOM 层级特征和实际样本反复校验，不能只靠一个 get_text() 调用蒙过去。
