本文介绍在 HTML 中存在嵌套 的情况下，如何精准提取外层标签内仅属于自身节点的纯文本（即排除子元素内容），并提供基于 BeautifulSoup 的可靠解决方案。
本文介绍在 html 中存在嵌套 `` 的情况下，如何精准提取外层标签内仅属于自身节点的纯文本（即排除子元素内容），并提供基于 beautifulsoup 的可靠解决方案。
在 Web 自动化或网页解析场景中，常遇到类似如下结构的 HTML：
<span class="ui-cfs-sn-l" xpath="1">
ABC
<span class="ui-cfs-txt">°⌃</span>
</span>若直接使用 Selenium 的 element.text，它会递归获取所有后代文本节点，返回 "ABC°⌃"（含空格与换行）。但实际业务中，我们往往需要严格分离：仅获取外层 <span></span> 元素自身的直接文本内容（即 "ABC"），忽略其内部嵌套标签（如 <span class="ui-cfs-txt"></span>）所携带的文本。
此时，Selenium 原生 API 无法直接满足需求，需借助更精细的 DOM 解析能力——BeautifulSoup4 是理想选择。它将 HTML 解析为树状结构，允许我们精确访问特定节点的直接子节点（contents）或仅文本子节点（strings）。
✅ 推荐方案：用 BeautifulSoup 提取直接文本节点
以下为完整可运行示例（支持与 Selenium 无缝集成）：
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.common.by import By
# 假设已初始化 driver 并导航至目标页面
# driver = webdriver.Chrome()
# driver.get("https://example.com")
# 获取当前页面源码（含动态渲染后的内容）
html_content = driver.page_source
soup = BeautifulSoup(html_content, "html.parser")
# 定位外层 span（class="ui-cfs-sn-l"）
outer_span = soup.find("span", class_="ui-cfs-sn-l")
if outer_span:
# contents[0] 获取第一个直接子节点；isinstance(..., str) 确保是文本节点
direct_text = ""
for child in outer_span.contents:
if isinstance(child, str) and child.strip():
direct_text = child.strip()
break
print(repr(direct_text)) # 输出: 'ABC'
else:
print("未找到匹配的外层 span 元素")? 关键原理说明：
soup.find(...).contents返回一个混合列表，包含文本节点（NavigableString）和标签节点（Tag）；- 我们遍历该列表，仅提取首个非空、纯字符串类型的直接子节点，从而跳过内部
<span></span>标签及其内容；- 使用
.strip()清除前后空白符（如换行、缩进），确保结果干净。
⚠️ 注意事项与最佳实践
-
不要依赖
contents[0]的硬索引：HTML 中可能存在注释、空格或多个文本片段。应始终校验类型（isinstance(child, str)）并过滤空白； -
确保
page_source已加载完成：若页面含异步内容，需配合WebDriverWait等待目标元素出现后再获取源码； -
替代方法（纯 Selenium）：可通过
element.get_attribute("innerHTML")获取 HTML 字符串，再用正则粗略提取（不推荐），因其易受格式变化影响，且缺乏语义健壮性； -
性能考量：BeautifulSoup 解析开销略高于原生 Selenium 属性读取，但在多数中低频场景下可忽略；如需高频处理，建议缓存
page_source或预编译解析逻辑。
综上，当需精准控制文本提取粒度时，“Selenium + BeautifulSoup” 组合是最稳定、可维护性最强的工程化方案——既利用 Selenium 处理动态渲染，又借力 BeautifulSoup 实现语义级 DOM 导航。
