离线HTML批量提取文本的关键在于判断是否含JS渲染内容及是否需保留结构：静态页用BeautifulSoup解析，JS渲染页须用Selenium/Playwright加载file:///路径；mhtml需先剥离HTML部分。
离线 HTML 文件批量提取文本，核心不是“能不能”，而是“要不要保留结构”和“是否含 JS 渲染内容”。纯静态 HTML（比如浏览器另存为的 .html 或 .mhtml）用解析器直接读取 DOM 就够了；如果页面依赖 JavaScript 动态填充内容（比如单页应用、懒加载列表），那必须走浏览器渲染路径，否则提取出来是空的或不完整。
用 BeautifulSoup 批量解析本地 HTML 文件
适合：文件已下载到本地、无 JS 渲染、需灵活控制清洗逻辑（如剔除广告区、保留标题层级）
- 安装命令：
pip install beautifulsoup4 lxml（lxml解析器比默认html.parser更准、更快） - 关键点：用
open(file_path, encoding="utf-8")读取，别用requests.get()——那是为网络请求设计的 - 提取正文最稳妥的方式是组合使用：
soup.find("main") or soup.find("article") or soup.find("div", class_=re.compile(r"content|post|body"))，而不是盲目用soup.get_text()——后者会把导航栏、页脚、script 标签里的字符串全吞进去 - 编码错误常见于中文网页：若报
UnicodeDecodeError，先试encoding="gb18030"或用chardet.detect()探测真实编码
用核烁文档工具做零代码批量转换
适合：上百个 .html/.mhtml 文件要快速转成 TXT，不关心细节清洗，只求“文字可读+不乱码”
Wechat Article Html
下载
将 Markdown 文章转换为微信公众号兼容的纯 HTML 格式。当用户要求"转成微信格式"、"生成公众号文章 HTML"、"排版到微信草稿箱"、"微信粘贴格式"时触发。输出带内联样式的纯 HTML，微信编辑器可直接渲染，无需额外适配。支持标题、段落、列表、粗体、行内代码、表格、引用块、代码块、配图的完整转换。
- 它内部其实也是调用类似 BeautifulSoup 的解析器，但封装了常见规则（比如自动跳过
script、style、nav标签） - 注意两个隐藏开关：
是否保留超链接文字（如 [GitHub](https://github.com) → 转成 “GitHub” 还是丢弃）和是否合并连续空白行，影响后续文本分析效果 - 输出命名默认沿用原文件名，但不带扩展名——如果原始文件是
report_v2.html，输出就是report_v2.txt，不会变成report_v2.html.txt - 不支持自定义 CSS 选择器，所以对结构特别混乱的页面（比如多个
div class="content"嵌套）可能抽错块
遇到 JS 渲染页面怎么办？别硬解析
典型表现：用 BeautifulSoup 读取本地 HTML 文件，soup.find("div", id="list") 返回 None，但浏览器打开能看到内容
立即学习“前端免费学习笔记（深入）”；
- 说明内容由 JS 插入，HTML 源码里根本没这段 DOM——此时必须用
Selenium或Playwright加载并等待元素出现 - 但注意：Selenium 默认处理的是 URL，不是本地文件。要加载本地 HTML，得用
file:///协议，例如driver.get("file:///path/to/page.html") - 等待不能只靠
time.sleep()，要用WebDriverWait(driver, 5).until(EC.presence_of_element_located((By.ID, "list"))) - 提取完记得调用
driver.quit()，否则后台 Chrome 进程会越积越多
真正容易被忽略的是 mhtml 文件的特殊性：它把 HTML、CSS、图片全打包进一个文件，但 BeautifulSoup 无法直接解析——得先用 Python 的 mimetypes 和正则剥离出 HTML 部分，或者用专门的 mhtml-parser 库。别想当然当成普通 HTML 处理。
