唯一可靠路径是用 find_all(string=True) 提取全部文本节点并逐个判断是否在高亮容器内，因其能同时满足提取全部文本和保持原始顺序；其他方法如仅查span.highlight会丢失普通文本、换行及顺序信息。
直接用 find_all(string=True) 提取所有文本节点，再逐个判断是否在高亮容器内，是唯一能同时满足「提取全部文本」和「保持原始顺序」的可靠路径。
为什么不能只用 find_all('span', class_='highlight')
这个调用只能拿到被标记的元素本身，漏掉所有普通文本、换行、前后空白，更无法知道它们在原文档中谁先谁后。比如 <p>Hello <span class="highlight">world</span>.</p> 会返回 ['world']，而 'Hello ' 和 '.' 就彻底丢失了。
- 文本节点（text node）和元素节点（element node）在 DOM 中是平级存在的，必须统一遍历才能保序
-
find_parent()是关键：对每个文本节点调用它，能向上查到最近的祖先元素，从而判断是否被高亮包裹 - 空字符串或仅空白符的文本节点（如换行缩进）也会被
find_all(string=True)捕获，需用.strip()过滤，否则影响后续处理
如何用 find_all(string=True) 遍历并打标
核心逻辑是：拿到所有文本节点 → 对每个节点查其父级是否有 class="highlight" → 组合成带 is_highlighted 字段的字典列表。
- 必须用
soup.find_all(string=True)，不能用soup.get_text()，后者直接合并所有文本，顺序还在，但高亮信息全丢 - 判断高亮不能只看直接父元素，要用
text_node.find_parent(class_='highlight')，因为高亮可能套在<div><span><em>xxx</em></span></div>多层结构里 - 注意
string=True会包含注释节点（如果没禁用），可用if not isinstance(text_node, Comment)排除
XPath 方案为何不推荐用于纯文本保序提取
用 //text() 或 descendant::text() 看似简单，但实际会把一个 <p>A<strong>B</strong>C</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill12116" title="DeepBI DHTML 页面生成器"><img
src="https://img.php.cn/upload/skill/001/246/273/6adaf20d3191a227.jpg" alt="DeepBI DHTML 页面生成器" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill12116" title="DeepBI DHTML 页面生成器">DeepBI DHTML 页面生成器</a>
<p>生成可在 deepbi 沙箱 iframe 内运行或作为独立文件运行的交互式 HTML 页面，使用 `window.deepbi` JS SDK 实现数据查询、空间管理、文件浏览及用户操作。当用户提出以下需求时启用该能力：
- 创建 KPI 仪表盘、数据表格、文件浏览器、成员列表、管理页面；
- 明确要求“转成 dhtml”、“转译成 HTML”、“把 XX 页面转成……”、“控制台页面”、“管理后台”、“DeepBI 页面迁移”；
- 提及位于 `apps/console/src/featur</p>
</div>
<a href="/xiazai/skill12116" title="DeepBI DHTML 页面生成器" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div>
<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> 拆成三个独立文本节点：'A'、'B'、'C'，且无法通过属性过滤——因为文本节点自身没有 @class 属性，not(@class='highlight') 永远为真，条件失效。
- XPath 更适合“先选容器元素，再取其
text()”，比如//span[@class='highlight']/text()，但它只返回高亮部分，不返回非高亮文本 - 若强行用
//*/text()再拼接，顺序虽在，但无法区分哪些是高亮、哪些不是，还得回溯父元素，反而比 BeautifulSoup 多绕两步 - 浏览器原生
document.evaluate()支持有限，不同引擎对//text()的行为也不完全一致，跨环境稳定性差
容易忽略的边界情况
真实 HTML 常含嵌套、空格、换行、自闭合标签干扰，这些都会影响文本节点的生成和位置判断。
-
<br>、<hr>等自闭合标签不会产生文本节点，但会影响相邻文本节点的分隔位置 -
<p>\n Hello\n <span>world</span>\n</p>中，\n Hello\n是一个文本节点，\n是另一个，find_all(string=True)全部捕获，需统一.strip()后再判空 - 高亮类名可能写成
class="highlight important"或class="highlighted"，用find_parent(class_='highlight')会失败，应改用find_parent(attrs={'class': re.compile(r'\bhighlight\b')})
