最稳方案是python+beautifulsoup的get_text()，因它能解析dom、处理实体编码、跳过script/style、合并空白并支持隐藏内容过滤；而正则删标签仅适用于简单静态html，无法应对js渲染、属性嵌套及 malformed 结构。
直接删标签不等于得到可用纯文本——HTML 里有隐藏文字、JS 渲染内容、 、<br>、注释、CDATA，还有 <script></script> 和 <style></style> 里的干扰内容。真要“无格式保存”，得先分清你手上的 HTML 是静态文件、浏览器里已渲染的页面，还是内存中的字符串。
用浏览器右键“查看源代码”后另存为，得到的是原始 HTML，不是纯文本
这个操作保存的是带完整标签的源码文件（.html），不是 .txt。它连 <script></script> 和 <style></style> 都原样保留，根本没做任何清洗。如果你只是想快速存一份可读文字，这步走错了方向。
- 适用场景：需要离线查看网页结构、调试或二次编辑 HTML
- 错误预期：以为“源代码”=“纯文本”
- 风险点：文件里大量
<、注释块<!-- ... -->全部照搬，粘贴到 Word 或记事本里会显示一堆乱码符号
Notepad++ 用正则 ]*> 批量删标签，只适合简单静态 HTML
这是最常被推荐、也最容易翻车的方法。它能干掉 <p></p>、<div> 这类闭合标签，但对以下情况完全失效：<ul>
<li>
<code><img alt="a < b"> —— 属性值里的 会被误判为标签开头，导致整段错乱
<script>document.write("<p>Hello")</script> —— 正则不会执行 JS，也就拿不到最终渲染出的 Hello
<pre class="brush:php;toolbar:false;"><code>for (let i </code></pre> —— 代码块里的小于号全被删光，语义破坏真正安全的写法是：\s])[^>]*>（排除自闭合标签），但依然无法解决 JS 渲染问题。
Python + BeautifulSoup 的 get_text() 是目前最稳的通用方案
它模拟浏览器解析流程，跳过 <script></script> 和 <style></style>，合并连续空白，处理实体编码，并尊重 CSS display: none 等隐藏逻辑（需配合 lxml 解析器）。哪怕面对含 AJAX 加载内容的页面，只要 HTML 字符串本身已含渲染结果，就能准确提取。
最小可用示例：
from bs4 import BeautifulSoup
<p>with open("page.html", encoding="utf-8") as f:
soup = BeautifulSoup(f, "lxml")
print(soup.get_text())
</p>
-
get_text(separator=" ", strip=True)：控制段落间空格/换行，避免文字粘连 - 如果 HTML 来自 requests 抓取，注意响应编码：
r.encoding = r.apparent_encoding - 遇到 malformed HTML（如嵌套错乱的
<b><i>text</i></b>），lxml 比 html.parser 更容错
动态页面必须先获取渲染后 HTML，再转纯文本
直接保存“查看源代码”或 requests.get(url).text，拿到的往往是空 <div id="app"></div>。这时候删标签毫无意义——因为真正文字还没生成。
- 正确路径：用 Selenium / Playwright 加载页面 →
driver.page_source或page.content()→ 再丢给 BeautifulSoup 处理 - 轻量替代：Chrome DevTools → Elements 面板右键
→Copy outerHTML→ 粘贴进 Python 脚本处理 - 命令行快捷法（Linux/macOS）：
curl -s URL | w3m -dump，但不支持 JS，且中文可能乱码
最常被忽略的一点：所谓“无格式”，不是简单删除标签，而是决定哪些内容该保留（如 <title></title> 文本）、哪些该丢弃（如 <noscript></noscript>）、哪些该规范化（如把 换成空格、<br> 换成换行）。不同来源的 HTML，清洗策略必须差异化对待。
