用 BeautifulSoup 的 get_text() 提取用户可见文本最省心，它自动跳过 script、style 和注释；需精确控制来源时用 .strings 或 .stripped_strings；提取直接子文本需遍历 contents 或用 find_next(text=True)；务必防御性处理 None。
别用正则匹配嵌套标签里的文本——它根本不可靠，而且你很快会遇到 <script>、注释、属性含 >、自闭合标签这些情况，直接崩。
用 BeautifulSoup 的 get_text() 最省心
多数场景下，你真正要的只是“用户能看到的那部分文字”，不关心标签结构。这时候 get_text() 是最接近直觉的选择：它递归遍历整个子树，合并所有文本节点，自动跳过 <script>、<style>、注释等内容。
常见用法：
-
soup.get_text()：提取整页文本，适合做内容摘要或全文索引 -
soup.find("div", id="main").get_text()：限定区域，避免侧边栏/广告干扰 -
soup.get_text(separator="\n", strip=True)：用换行分隔段落，去掉首尾空格，更贴近阅读习惯
注意：get_text() 返回的是字符串，不是生成器；如果 HTML 极大，它会一次性加载全部文本到内存，小页面没问题，超长文档（比如 50MB+ 的日志 HTML）要考虑流式解析方案。
立即学习“前端免费学习笔记（深入）”；
需要精确控制文本来源？用 .strings 或 .stripped_strings
当你得知道某段文字来自哪个标签内部，或者想跳过某些空白行、保留原始换行逻辑时，.strings 和 .stripped_strings 更合适。
区别在于：
-
.strings返回一个生成器，包含所有文本节点（含纯空白、换行符），适合做细粒度清洗 -
.stripped_strings自动调用.strip()，过滤掉空字符串和仅含空白的节点，结果更干净
示例：
for s in soup.find("article").stripped_strings:
print(repr(s))
这比反复写 if tag.string and tag.string.strip() 清晰得多，也更少漏掉嵌套在 <span><em>xxx</em></span> 深处的文本。
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。
提取父容器内“直接子文本”，避开子标签内容
有些结构像这样：<p>价格：<span class="price">¥299</span></p>，你只想拿“价格：”，不要“¥299”。这时候 .text 或 get_text() 都会把两者全吞掉。
正确做法是只取元素的“直接文本子节点”：
- 用
element.contents遍历子节点，判断isinstance(child, NavigableString) - 或者用 CSS 伪类（在 Scrapy 或支持
::text的解析器中）：response.css("p::text").get() - BeautifulSoup 本身不原生支持
::text，但可以用element.find_next(text=True)找第一个文本节点，再配合element.next_sibling判断是否为直接子文本
容易踩的坑：element.text 实际是 get_text() 的简写，它不区分层级——只要在该元素 DOM 子树里，就全算。
遇到 AttributeError: 'NoneType' object has no attribute 'text' 怎么办
这不是文本提取逻辑的问题，而是你调用了 .find() 或 .select_one() 后没检查返回值，直接链式访问 .text。
安全写法只有两种：
- 加
if判断：elem = soup.find("h1"); text = elem.text if elem else "" - 用
.get_text()替代.text：soup.find("h1").get_text() if soup.find("h1") else ""，因为get_text()对None安全（前提是调用对象非None）
更稳的方式是封装一层：
def safe_text(tag):
return tag.get_text(strip=True) if tag else ""
嵌套越深，这种防御性写法越必要——比如 soup.find("div", class_="content").find("article").find("header").h1，中间任意一环为空都会炸。
真正麻烦的从来不是“怎么拿到文本”，而是“怎么确认这段文本确实来自我想要的那个语义位置”。DOM 结构千变万化，选择器写错、容错逻辑缺失、编码处理遗漏，才是日常卡点。别迷信一行代码解决一切，先看清楚目标 HTML 的实际结构再说。
