soup.get_text()是最直接可靠的网页文本提取方式，需先用BeautifulSoup解析HTML；它递归提取纯文本、跳过非内容标签，并支持separator、strip等参数控制格式。

soup.get_text() 是最直接、最可靠的方式，但前提是你要先用 BeautifulSoup 解析 HTML。别指望靠正则或 replace() 一把梭完事——标签嵌套、实体编码、JS 注入、空格换行混杂，一碰就翻车。

用 BeautifulSoup 解析后调用 get_text()

这是处理真实网页文本的默认路径，兼顾健壮性和可控性。

• get_text() 会递归遍历所有子节点，提取纯文本，自动跳过 script、style 等非内容标签
• 传参控制格式：separator="\n" 让段落间换行；strip=True 去首尾空白；separator=" " 用空格连接相邻块（适合摘要）
• 别用 .text 或 .string 替代：.string 在含嵌套标签时直接返回 None；.text 行为和 get_text() 基本一致，但没参数可调
• 如果 HTML 来自网络请求，记得先用 requests.get(url).text 获取源码，再喂给 BeautifulSoup；本地文件则用 open(...).read()

为什么不用正则直接删 <.*?>

因为这招在简单字符串里能跑通，一到真实网页就漏数据、吞文字、崩结构。

• 匹配不了注释 <!-- ... -->、CDATA 段、自闭合标签里的属性值（比如 <img alt="文本"> 的 alt 不会被保留）
• 遇到 <div>A<span>B</span>C</div>，正则可能把整个 <span>B</span> 当成干扰项干掉，只留下 A 和 C
• HTML 实体如  、— 不会自动解码，输出里全是乱码符号
• 真正需要它的地方其实很窄：比如从原始响应里粗筛出邮箱、URL 这类固定模式字段，而不是全文本提取

遇到 JS 渲染的内容怎么办

如果 response.text 里压根没有你要的文本，说明它由前端 JS 动态插入——BeautifulSoup 解析静态 HTML 拿不到。

html-to-pptx-converter

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。

下载

立即学习“前端免费学习笔记（深入）”；

• 先确认：打开浏览器开发者工具 → “Elements” 面板看渲染后的 DOM，再切到 “Network” → 刷新页面 → 找 XHR/Fetch 请求，看数据是不是从 API 返回的 JSON
• 如果是 JSON 嵌在 <script> 里（常见于 React/Vue SSR 页面），用 re.search(r'window\.__INITIAL_STATE__=(.*?);', html) 提取后 json.loads()
• 如果必须执行 JS，就上 Selenium 或 Playwright；但开浏览器实例成本高，仅当 JSON 提取失败或需交互（如点击加载更多）时才用
• 别试图让 BeautifulSoup “支持 JS”——它就是个解析器，不是浏览器

textContent 和 innerText 在浏览器里怎么用

这是前端场景下的快捷方案，适合调试或小批量手动提取，不适用于服务端或自动化流程。

• 在浏览器控制台运行 document.body.textContent，能拿到渲染后所有文本（含 script 标签里的代码字面量）
• innerText 会受 CSS display: none 或 visibility: hidden 影响，只返回“用户可见”的文本；textContent 不管样式，只管 DOM 树上的文本节点
• 二者都不解码 HTML 实体：© 会原样输出，得额外调 DOMParser 或 textarea 中转解码
• 注意：它们读的是当前 DOM 状态，如果页面 JS 后续又改了内容，结果会变；而 BeautifulSoup 处理的是初始 HTML 快照

真实网页的文本从来不是“删掉标签就行”。关键在于分清：你面对的是静态 HTML、服务端渲染的 JSON、还是纯客户端渲染——选错路径，后面所有清洗都是白忙。