get_text(separator='\n', strip=True) 是保留段落换行的正确方法：separator='\n'使块级元素文本以换行连接，strip=True清除首尾空白；.text和.string不支持分隔与清理，且.string遇嵌套标签即返回None。
用 get_text(separator='\n', strip=True) 保留段落换行
直接调用 get_text() 默认不保留语义换行，<p></p> 和 <div> 之间的文本会被挤成一行。关键在于显式设置 <code>separator='\n'，让不同块级元素的文本以换行符连接，再配合 strip=True 清掉每段首尾多余的空格和回车。
-
separator='\n'是最贴近“保留段落”的实际做法，不是模拟、不是猜测，而是控制拼接逻辑 - 不要用
separator=' '或空字符串，中文里会导致“第一段第二段”粘连 -
strip=True必须开启，否则<p>\n 内容\n</p>会输出\n 内容\n，首尾空白污染后续处理
为什么 .text 和 .string 不适合段落提取
.text 表面看是“取文本”，但它内部不区分节点层级，会把所有子文本无分隔拼接；.string 更脆弱——只要标签里有任何嵌套（比如 <span>加粗</span>文字），它就返回 None。二者都不支持分隔符或清理策略。
-
soup.p.text→ “第一段第二段”（无换行、无间隔） -
soup.p.string→None（只要<p></p>里有任意子标签，就失效） - 真正需要的是递归遍历 + 可控拼接，这正是
get_text()的设计目的
遇到 <br> 或内联换行怎么办
<br> 是空标签，get_text() 默认忽略它，所以原始 HTML 中靠 <br> 实现的换行不会被保留。如果业务上必须还原这类换行（例如论坛发帖、用户输入富文本），得先预处理：把 <br> 替换成占位符或真实换行符。
立即学习“前端免费学习笔记（深入）”；
- 简单方案：
soup.find_all('br')遍历后用replace_with('\n') - 注意顺序：必须在调用
get_text()前完成替换，否则无效 - 慎用全局替换
<br>——有些页面用它做布局 hack，误替会影响段落结构
提取后仍有空行？检查块级元素是否嵌套过深
即使用了 separator='\n'，仍可能出现连续多个 \n，常见于 <div><p>内容</p></div> 这类结构：<p></p> 贡献一个 \n，外层 <div> 又贡献一个，结果变成 <code>\n\n。这不是 bug，而是 DOM 结构的真实反映。
- 后处理用
re.sub(r'\n{2,}', '\n', text)合并多余空行 - 更稳妥的做法是定位到具体语义容器（如
soup.article或soup.find(class_='content')），避免从soup.body这种顶层节点开始提取 - 别依赖“看起来像段落”的视觉判断，HTML 的块级语义和 CSS 渲染是两回事
段落不是视觉概念，是 HTML 元素层级与 get_text 拼接逻辑共同作用的结果。最容易被忽略的点是：没意识到 <div><div>文本</div></div> 这种嵌套会引入额外换行，而不是以为“只要设了 separator='\n' 就万事大吉”。
