应先用 BeautifulSoup 的 get_text() 提取纯文本再搜索关键词，避免直接正则匹配原始 HTML；需定位含关键词的元素时用 find_all() 配合 get_text() 过滤；中文注意 UTF-8 编码与分词需求；性能敏感可换 lxml.text_content()。
用 get_text() 提前清理再搜索，别直接在HTML源码里正则匹配
直接对原始HTML字符串跑 re.search() 查关键词，90%会翻车：标签名、属性值、注释、JS代码里的字符串全混在一起，re.findall(r"Python", html) 可能匹配到 <script>console.log("Python")</script> 或 class="python-highlight"。真正要搜的是用户可见的文本内容。
正确做法是先用 BeautifulSoup 解析并提取纯文本，再在这个干净字符串里做关键词搜索：
-
soup.get_text(separator=" ", strip=True)—— 用空格连接段落，去掉首尾空白，适合后续分词或简单in判断 - 若需保留换行结构（比如区分标题和正文），用
soup.get_text(separator="\n", strip=True) - 避免用
.text属性：它不接受参数，且某些嵌套结构下行为不如get_text()稳定
find_all() 定位含关键词的元素，而不是全文本扫描
如果你关心的是“哪个 <p> 里出现了‘API’”，而不是“页面一共出现几次”，就别把整个文本拉出来再 split() 或 count()。直接让 BeautifulSoup 帮你定位到具体节点：
- 用
soup.find_all(string=re.compile(r"API", re.I))找所有包含关键词的纯文本节点（注意：只匹配直系文本，不含子标签内容） - 更常用的是先找容器，再过滤：
[p for p in soup.find_all("p") if "API" in p.get_text() or "api" in p.get_text().lower()] - 如果关键词在特定区域（如只查文章正文），优先限定范围：
soup.find("article").get_text()，比全页解析快且准
中文关键词要注意编码与分词边界
英文靠空格自然切分，中文没有空格，"机器学习" in text 能工作，但容易漏匹配或误匹配（比如“机器”和“学习”跨行、中间夹了标点或HTML实体）。实际场景中建议：
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）”；
- 提取文本时统一用
encoding="utf-8"打开文件，或确保response.content.decode("utf-8")正确解码，否则中文变乱码，关键词必然搜不到 - 若需高精度（如统计词频、去重），别手动
split()，引入jieba分词后再计数；简单存在性判断用in就够用 - 警惕 HTML 实体： 、— 等会被
get_text()自动转义成对应字符，不影响中文关键词匹配，但若自己写正则处理原始 HTML，就得额外html.unescape()
性能敏感时，跳过完整解析，用 lxml 的 text_content()
当你要批量处理几千个本地 HTML 文件，且只需要判断关键词是否存在（不需要 DOM 导航），BeautifulSoup 的树构建开销就显得重了。此时换 lxml 更快：
- 安装：
pip install lxml - 代码：
from lxml import html; doc = html.fromstring(html_bytes); text = doc.text_content() -
text_content()行为接近soup.get_text()，但解析速度通常快 3–5 倍，尤其对大文件 - 缺点：错误容忍度略低于 BeautifulSoup（遇到严重 malformed HTML 可能抛异常），普通网页基本无感
最易被忽略的一点：关键词是否区分大小写、是否允许部分匹配、是否要排除代码块——这些逻辑不在提取文本这一步决定，而是在调用 get_text() 后的字符串操作里。别指望解析库自动帮你做语义判断。
