先用语义化容器缩小范围，再删除干扰节点，最后调用get_text()——这三步缺一不可：优先找<main>、<article>或含content/post等类名的<div>，再decompose掉script、style等非文本标签，最后get_text(separator="\n", strip=True)提取干净正文。
用 BeautifulSoup 定位或再调用 get_text()
get_text()多数现代网页把正文放在 <main>、<article> 或带 content/post 类名的 <div> 里。硬通货是先缩小范围，再提取——否则 get_text() 会把页脚导航、侧边栏广告全拖进来。
常见写法：
soup.find("main") or soup.find("article") or soup.find("div", class_=re.compile(r"content|post|entry|body"))- 结构固定时直接用 CSS 选择器：
soup.select_one("div.dnevnik-lesson__task") - 提取时加参数控制格式：
.get_text(separator="\n", strip=True)，separator="\n"让段落间有换行，strip=True去首尾空格
提取前必须 decompose() 干扰标签
即使选对了父容器，里面仍可能混着 <script>、<style>、<nav>、<header>、<footer>、<aside> 这些非文本节点，它们的 get_text() 结果会污染输出。
正确做法是提取前批量销毁：
立即学习“前端免费学习笔记（深入）”；
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。
for tag in soup(["script", "style", "nav", "header", "footer", "aside"]): tag.decompose()- 别用
extract()——它返回被移除节点，容易误留引用；decompose()更彻底，连节点对象都销毁 - 图标类标签（如
<i class="icon-download"></i>）无文本，不影响get_text()，不用管
中文乱码？先设 response.encoding 再解析
中文提取失败，90% 是编码没对齐。requests 默认按 ISO-8859-1 解码，一读就变 “文本”。
关键操作顺序不能错：
- 拿到
response后立刻设编码：response.encoding = response.apparent_encoding or "utf-8" - 若仍乱码，检查
response.headers.get("content-type")是否含charset=gbk，优先采用它 - 本地读 HTML 文件时，显式指定
encoding="utf-8"或encoding="gbk"，别依赖系统默认
为什么不用 document.body.innerText 或正则？
浏览器控制台跑 document.body.innerText 看起来快，但它依赖页面已完整渲染 + JS 执行完毕；而服务端解析 HTML 字符串时，JS 根本没运行，结果天差地别。
正则更危险：
-
re.sub(r"<.*?>", "", html_str)会吃掉注释里的文本、破掉 CDATA 区块 - 无法处理自闭合标签（如
<img/>）、嵌套结构（<div><p>text</p></div>） - 遇到 JS 注入内容（如
document.write("<p>xxx</p>")）完全失效
真正稳定的做法是：先用语义化容器缩小范围，再删干扰节点，最后调用 get_text()——这三步缺一不可，少一步就容易漏正文或混进菜单。
