document.body.innerText 快但不靠谱，因依赖JS执行状态，漏掉懒加载内容，且包含display:none等隐藏文本；而BeautifulSoup.get_text()需配合正确解析器、编码处理及separator="\n"等参数才保段落结构。
直接用 soup.get_text() 最稳妥，但必须配合正确解析器和编码处理，否则中文乱码、脚本残留、换行丢失全是常见问题。
为什么 document.body.innerText 在控制台里快但不靠谱
浏览器控制台执行 document.body.innerText 确实能快速拿到渲染后文本，但它依赖当前页面 JS 执行状态：如果页面有懒加载内容、动态插入的 DOM 或未触发的 DOMContentLoaded 事件，这部分文本就拿不到。更关键的是，它会把 display: none、visibility: hidden 元素的文本也混进来，而你实际想提取的“可读取文本”通常指用户可见区域的正文。
无序列表呈现常见陷阱：
- 广告位、页脚版权栏、弹窗遮罩层里的文字也会被一并提取
- 按钮文字、导航菜单项等交互元素文本可能干扰正文语义
- 无法批量处理本地 HTML 文件或服务器响应流
BeautifulSoup.get_text() 的参数怎么选才不丢段落
soup.get_text() 默认把所有空白压缩成单个空格，导致原文的段落结构、列表缩进、换行逻辑全被抹平。要保留可读性，必须显式传参：
立即学习“前端免费学习笔记（深入）”；
- 用
separator="\n"让块级元素（如<p></p><div class="aritcle_card flexRow"> <div class="artcardd flexRow"> <a class="aritcle_card_img" href="/xiazai/skill10828" title="财经HTML高端海报生成"><img src="https://img.php.cn/upload/skill/001/246/273/6adaf20dbae7c507.jpg" alt="财经HTML高端海报生成" ></a> <div class="aritcle_card_info flexColumn"> <a href="/xiazai/skill10828" title="财经HTML高端海报生成">财经HTML高端海报生成</a> <p>复杂得财经如何变成清晰，适合手机看的海报？如何加上你的IP</p> </div> <a href="/xiazai/skill10828" title="财经HTML高端海报生成" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div>、<h2></h2>、<li>）之间强制换行 - 加
strip=True去掉每段首尾多余空格，避免空行或缩进残留 - 慎用
break_before="br"—— 多数现代 HTML 已不用<br>控制段落，强行启用反而在表格、代码块里引入多余空行
示例：soup.get_text(separator="\n", strip=True)
JS 动态渲染内容必须绕开 html.parser
如果你的 HTML 源码里只有 <div id="app"></div>，而真实文本藏在 Vue/React 渲染后的 DOM 中，BeautifulSoup 配 "html.parser" 或 "lxml" 都读不到——它们只解析静态 HTML 字符串，不执行 JS。
此时必须换方案：
- 用
Selenium启动真实浏览器，调用driver.page_source获取渲染后 HTML，再喂给BeautifulSoup - 或直接用
driver.find_element(By.TAG_NAME, "body").text，省去二次解析，但需注意它仍会包含隐藏元素文本 - 若只是轻量需求，可用
playwright的page.inner_text("body")，性能比 Selenium 更好
Java 里别碰 FreeSpire.Doc 提纯文本
虽然文档说它支持 FileFormat.Html，但实际是把 HTML 当 Word 模板来解析——对含 CSS Grid、Flex 布局或自定义字体的页面兼容极差，常出现文本错位、段落合并、中文标点截断。真正稳定的选择是 JSoup：
-
Jsoup.parse(htmlString).body().text()是最简路径 - 需要保留换行？改用
Jsoup.parse(htmlString).body().wholeText()（注意：此方法不自动过滤 script/style） - 务必加上
.outputSettings().prettyPrint(false)，否则默认格式化会插入额外空格和换行
真正容易被忽略的一点：所有方案都绕不开编码识别。如果 HTML 声明了 charset=gbk 却用 UTF-8 解码读文件，哪怕后续步骤全对，第一行中文就是乱码——别跳过 meta 标签和 HTTP header 的编码校验。
