textContent最快最安全但保留所有空白；innerText受CSS影响且浏览器行为不一；服务端推荐BeautifulSoup.get_text()或Hutool HtmlUtil.cleanHtmlTag()配合清洗。
直接用 textContent 最快最安全，但要注意它保留所有换行和缩进；真正要“删除多余字符”，得配合正则清洗或用 get_text()（Python）/ HtmlUtil.cleanHtmlTag()（Java）等语义化工具。
用 textContent 提取但不清理：为什么结果里全是空行和缩进？
浏览器原生的 textContent 会忠实返回 DOM 中每个文本节点的原始内容，包括 HTML 源码里的换行、制表符、多空格——哪怕这些在页面上根本不可见。
- 比如
<p> Hello <em>world</em> </p>的textContent是" Hello world " - 它不会合并块级元素间的空白，
<p>A</p> <p><span>立即学习</span>“<a href="https://pan.quark.cn/s/cb6835dc7db1" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">前端免费学习笔记（深入）</a>”；</p> <p>B</p><div class="aritcle_card flexRow"> <div class="artcardd flexRow"> <a class="aritcle_card_img" href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审"><img src="https://img.php.cn/upload/skill/001/246/273/6adaf20e695c2374.jpg" alt="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审" ></a> <div class="aritcle_card_info flexColumn"> <a href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审">使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审</a> <p>使用经过文档化的设计技能，从真实的品牌或项目背景中生成HTML原生原型、幻灯片、动态演示、可视化图表和评审流程。</p> </div> <a href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div>会变成"A B" - 它不处理 HTML 实体（如
用 innerText 看似更“干净”，但有隐藏陷阱
innerText 模拟渲染后效果，会忽略 display: none 元素、折叠连续空白、省略不可见文本——但它受 CSS 影响，且在某些浏览器中行为不一致。
- 如果目标元素被
visibility: hidden覆盖但未隐藏，innerText可能仍返回内容；而display: none则完全不返回 - IE 和旧版 Edge 对换行处理逻辑不同，
innerText在<pre class="brush:php;toolbar:false;"></pre>里可能意外压缩空白 - 服务端环境（如 Node.js）根本不存在
innerText，无法复用
Python 用 BeautifulSoup.get_text() 控制分隔与修剪
这是服务端或爬虫场景下最可控的方式，关键靠两个参数：separator 和 strip。
-
soup.get_text(separator=' ', strip=True)：所有标签间用空格连接，每段首尾自动 trim -
soup.get_text(separator=' ', strip=True)：适合保留段落结构，<p></p>之间用换行分隔 - 避免用默认值——不设
separator时，相邻<span></span>文本可能粘连成"HelloWorld"；不设strip=True会带入大量缩进空格 - 注意：若 HTML 含 JavaScript 动态插入内容，
get_text()无法获取，需先执行 JS 或改用 Playwright/Puppeteer
Java 用 Hutool 的 HtmlUtil.cleanHtmlTag() 快速去标签
适合后端做内容入库前的标准化清洗，底层基于 SAX 解析，不依赖完整 DOM 构建，性能好、内存低。
-
HtmlUtil.cleanHtmlTag("<div> Hello <b>world</b> </div>")→" Hello world "（注意：它不去首尾空格） - 如需彻底干净，得链式调用：
HtmlUtil.cleanHtmlTag(html).trim().replaceAll("\s+", " ") - 它不处理实体编码（如
<），若源 HTML 含未解码实体，需先调用HtmlUtil.unescape() - 对含恶意脚本的 HTML，应优先用
HtmlUtil.filter()做 XSS 过滤，再清理标签
真正难的不是“怎么删标签”，而是判断哪些空白该留、哪些该压、哪些该当分隔符——这取决于下游用途：做搜索引擎索引要压缩所有空白；生成邮件正文要保留段落换行；喂给 NLP 模型则需统一为单空格。别指望一个函数通吃，得按场景选组合策略。
