textContent最直接提取纯文本，不渲染不执行脚本；BeautifulSoup用get_text()更稳定；Scrapy中::text仅匹配直接子文本；XPath用/text()排除子元素干扰。
用 textContent 提取单个元素的纯文本最直接
它不渲染、不执行脚本、不关心 CSS 是否隐藏，只返回该元素及其后代所有文本节点的拼接结果（含换行和空格）。适合浏览器环境下的快速提取。
常见错误是误用 innerHTML 后再正则去标签——innerHTML 本身可能含未闭合标签、注释或 CDATA，正则极易漏匹配或错切分。
- ✅ 正确：
const text = el.textContent; - ❌ 错误：
el.innerHTML.replace(/]*>/g, '')（无法处理<script></script>、<!-- comment -->等） - ⚠️ 注意：若 HTML 中有大量缩进或换行，
textContent会保留它们；后续可加.replace(/\s+/g, ' ').trim()标准化
用 get_text() 在 BeautifulSoup 中控制提取逻辑
.text 是只读属性，遇到注释、CDATA 或多个相邻文本节点时可能返回 None；.get_text() 才是稳定选择，它递归提取所有文本节点，并支持清洗参数。
-
separator=" "：用空格连接不同子标签的文本，避免“Time:”“13:45”粘连成“Time:13:45” -
strip=True：清除每段首尾空白，对缩进严重的 HTML 很关键 -
separator="\n"：保留段落换行逻辑，适合正文提取 - 别用
elem.text判断结尾词——它可能混入隐藏子标签里的文本；改用elem.get_text(strip=True).endswith("...")
用 css("p::text") 在 Scrapy 中精准抓直接子文本
response.css("p").get() 返回的是带标签的字符串，因为没指定要哪部分；::text 是伪类，只匹配当前元素的**直接子文本节点**，不进子标签。
Convert Markdown To HTML And PDF - Markdown和HTML、PDF互转
下载
实现 Markdown↔ HTML 互转，支持导出 PDF，用于用户请求的文档格式转换。
立即学习“前端免费学习笔记（深入）”；
- ✅ 正确：
response.css("div.title::text").get()→ 返回 "My Title" - ❌ 错误：
response.css("div.title").get()→ 返回<div class="title"> <strong>My</strong> Title</div> - ⚠️ 注意：
<p><i>hi</i> there</p>中，::text只能抓到 " there"，"hi" 在<i></i>内，需额外写css("p i::text")或改用.get_text() - 要取全部匹配项，用
.getall()，不是.get()
用 XPath /text() 在 Java 或 lxml 中排除子元素干扰
想只拿 <div>Commentaire de la signature</div> 里的文字，但不要里面嵌套的 <span>1</span>，就不能用 string()——它会把所有后代文本拼起来。
- ✅ 正确：XPath 表达式写成
//div[@class="history-values"]/text()，配合XPathConstants.NODESET获取 NodeList，再遍历过滤非空文本节点 - ❌ 错误：用
XPathConstants.STRING，等价于string(//div)，会把子标签内文本也吞进来 - ⚠️ 注意：HTML 中换行和缩进会产生独立的空白文本节点，
/text()可能返回多个节点，第一个常为空；必须.trim()后判空 - 在 lxml 中，
elem.xpath("text()")返回的是字符串列表，比 Java 更轻量，但同样要处理空白节点
提取指定标签文本这件事，表面看只是调一个方法，实际难点全在「边界」：文本节点是否被子标签隔开、是否有空白节点干扰、结尾词是否真在裸文本里。选错 API 或忽略上下文，结果要么是空，要么是整页 HTML 当字符串吐出来。
