提取页面文本需先清理DOM：移除script/style等非渲染节点，再用textContent获取；innerText受CSS影响不可靠；正则预处理易出错；BeautifulSoup+lxml更稳妥。
用 textContent 提取文本，但得先清理 DOM 树
直接对 document.body 调用 textContent 会拿到 <script></script> 和 <style></style> 里的原始内容——这不是你想要的“页面文本”，而是开发者的代码片段。所以必须在提取前移除这些节点，否则清洗就白做了。
实操建议：
- 先用 querySelectorAll('script, style, noscript, template') 找出所有非渲染文本容器
- 遍历并调用 .remove() 彻底从 DOM 中剥离（不是 display: none）
- 再取 document.body.textContent，此时返回值不含脚本逻辑、无样式声明、无注释干扰
- 若需保留某些内联 script 的文本（极少见），应改用正则预处理 HTML 字符串而非操作实时 DOM
Python 里用 BeautifulSoup 过滤更稳，但解析器选错会漏内容
BeautifulSoup(html, "html.parser") 默认不执行 JS，也不会加载外部资源，但它对自闭合标签、嵌套注释、CDATA 区块的容错不如 lxml。如果你的 HTML 来源不可控（比如用户提交、爬虫抓取），lxml 是更安全的选择。
实操建议：
- 安装时明确指定：pip install beautifulsoup4 lxml
- 初始化用：soup = BeautifulSoup(html, "lxml")，不是默认的 "html.parser"
- 移除脚本/样式：用 soup('script') 和 soup('style') 获取所有匹配标签，再逐个调用 .decompose()
- 提取时加参数：soup.get_text(separator='\n', strip=True)，避免段落粘连，也防止首尾空行干扰后续分词
innerText 看似方便，但隐藏内容和 CSS 渲染会悄悄破坏结果
很多人图省事写 document.body.innerText，结果发现“明明网页上写着，怎么提取不到？”——大概率是目标元素被 display: none、visibility: hidden 或 opacity: 0 控制了可见性。innerText 严格按渲染后状态返回，而你真正需要的是结构上存在的文本。
从零开始创建惊艳、动画丰富且自包含的 HTML 演示文稿，或通过转换 PowerPoint 文件生成。当用户希望制作幻灯片、构建演示文稿、打造路演资料（pitch deck）、将 PPT/PPTX 转换为网页格式，或增强现有 HTML 演示文稿时，应使用此能力。该能力帮助用户通过视觉预览而非抽象选项来发掘自身审美偏好。
常见错误现象：
- 页面有折叠菜单，展开前的文案提取为空
- 表单 placeholder 文本不会出现在 innerText 中
- 使用 Web Font 时，某些字符因未加载完成被跳过（尤其在首屏 JS 执行前）
- innerText 会把连续换行压缩成单空格，导致“标题\n\n正文”变成“标题 正文”，丢失语义断层
正则预处理 HTML 字符串？只适合简单场景，且顺序不能错
用 re.sub(r'<script>]*>.*?</script>', '', html, flags=re.DOTALL | re.IGNORECASE) 看似快，但实际风险高：嵌套 script、HTML 注释中的 <!-- <script> -->、CDN URL 里带 script 字样都会误杀或漏删。
立即学习“前端免费学习笔记（深入）”；
若坚持用正则（如命令行管道处理或轻量 Node.js 脚本）：
- 必须按顺序清除：script → style → comment → CDATA
- 每次替换后加 .strip()，避免残留空行影响后续标签剥离
- 绝对不要用 re.sub(r']+>', '', html) 去标签——它会吃掉 、© 等实体，且无法处理 <img alt="<test>"> 这类转义内容
- 最终仍需用 html.unescape() 反转义，否则“版权 ©”会变成“版权 ©”
真正难的不是“怎么去掉 script”，而是判断哪些文本该留、哪些该去——比如一个 script 标签里写了 document.title = "新闻首页"，这个字符串要不要进最终文本？没有通用答案，得看你的下游任务是否需要元信息。别让自动化替你做语义决策。
