textContent最稳,直接获取DOM树所有文本节点拼接字符串,不渲染、不执行脚本、不受CSS影响;服务端需换方案,Scrapy用::text伪类,BeautifulSoup用.get_text(),属性含HTML时必须用DOMParser解析后取innerText。

直接用 textContent 提取标签内纯文本最稳
浏览器环境里,想拿 <p>Hello</p> 里的 Hello,直接读 el.textContent 就行。它不渲染、不执行脚本、不看 CSS 是否隐藏,也不管里面嵌了多少层标签——只忠实返回 DOM 树中所有文本节点拼起来的字符串。
常见错误是先取 innerHTML 再用正则删标签:el.innerHTML.replace(/<.>/g, '')</.>。这在 <div>
<p>a</p>
<span>b</span>
</div> 这类结构里看似能用,但遇到 <img src="x>y.png" alt="HTML指定标签文本提取的实用方法" > 或注释 <!-- <p>test</p> --> 就会崩,且有 XSS 风险。
-
textContent会保留换行和连续空格,如需标准化,补一句.replace(/\s+/g, ' ').trim() - 别和
innerText混:后者受display: none影响,还会触发重排,性能差一截 - 服务端(如 Node.js)没 DOM,不能用这个 API,得换方案
Scrapy 里用 ::text 伪元素避免 HTML 回包
Scrapy 默认 response.css('p').extract() 返回的是完整 HTML 字符串,比如 '<p>Bob Guiney</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>',不是你要的纯文本。加 ::text 就能精准命中文本节点:
p_names = response.css('section#talent-summary > p::text')
name = p_names.get() # → 'Bob Guiney'
names = p_names.getall() # → ['Bob Guiney', 'Another paragraph of text.']
::text 只取直接子文本,不会把 <p>Hi <em>there</em></p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill13305" title="AgentGen — HTML to PDF & Image"><img
src="https://img.php.cn/upload/skill/001/246/273/6adaf20cf0281539.jpg" alt="AgentGen — HTML to PDF & Image" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill13305" title="AgentGen — HTML to PDF & Image">AgentGen — HTML to PDF & Image</a>
<p>将 HTML 转换为 PDF 和图片。无需注册,免费版开箱即用(每分钟 1 次请求,含水印)。如需更高频次及去水印……</p>
</div>
<a href="/xiazai/skill13305" title="AgentGen — HTML to PDF & Image" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div> 里的 there 拉出来——如果需要全部文本,得用 .get_text() 或后续清洗。
- 多个匹配时,
get()返回第一个,getall()返回列表 - 若目标文本被包裹在子标签里(如
<p><strong>yes</strong></p>),::text会返回空,此时要改用.get_text()方法 - 不支持嵌套层级选择,比如
p::text strong::text是非法写法
Python 用 BeautifulSoup 的 .get_text() 控制清洗逻辑
.text 属性简单粗暴,但没法处理空白或分隔;.get_text() 才是生产环境该用的——它带参数,能按需定制输出:
soup.p.get_text(separator=' | ', strip=True) # → 'First | Second'(来自 <p><span>First</span><span>Second</span></p>)
-
separator决定不同文本节点之间的连接符,默认是空字符串 -
strip=True会清理每个文本片段首尾空白,但不会合并中间空格 - 深层嵌套时,
.get_text()仍可能把<script></script>或注释内容拉进来,需提前用decompose()清理敏感子节点
属性值含 HTML 时,必须用 DOMParser 解析再取 innerText
像 title="<span>hello</span>" 或 data-html="<p>test<br>ok</p>" 这种属性值,不能当普通字符串处理。正则替换或临时 div.innerHTML 都不可靠——前者解析不了实体(<)、后者可能执行脚本或误吞 <base>。
唯一健壮解法是走标准 HTML 解析流程:
const parser = new DOMParser(); const doc = parser.parseFromString(attrValue, 'text/html'); const text = doc.documentElement.innerText || doc.body?.innerText || '';
- 必须传
'text/html',传'text/xml'会解析失败 - 优先取
doc.documentElement.innerText,回退到doc.body?.innerText更稳妥 - 别用
textContent:它会把<script>alert(1)</script>里的代码也当文本吐出来
真正容易被忽略的是:哪怕只是提取一个 title 属性,只要它里面写了 HTML 片段,就必须走 DOMParser —— 否则你永远不知道哪次数据里会混进一个 <img onerror="alert(1)" alt="HTML指定标签文本提取的实用方法" >。


















