get_text()能安全精准提取纯文本，因其递归遍历dom、自动处理html实体、支持separator和strip等参数控制格式，而正则易漏删误删、无法解析嵌套与实体，且维护成本高。
直接用 soup.get_text() 就能安全提取纯文本，比正则快、准、稳——尤其遇到嵌套标签、自闭合元素或 HTML 实体时，正则容易漏删或误删。
为什么不用正则表达式 re.sub(r']*>', '', html)
它看起来简单，但实际踩坑多：
- 无法处理
这类实体，会原样保留甚至破坏语义 -
<script></script>和<style></style>里的内容会被当作文本输出，造成脏数据 - 遇到换行/缩进不规范的 HTML（比如
<div>\n <span>text</span>\n</div>），正则可能把空格和换行全抹掉，导致段落粘连 - 大小写不敏感问题：HTML 标签如
<script></script>或<img src="https://img.php.cn/?x-oss-process=image/resize,p_40" alt="如何使用HTML提取文本并去除标签">需要加re.I，而.默认不匹配换行，还得加re.S，组合起来已不如解析器简洁
soup.get_text() 的关键参数怎么选
默认行为是拼接所有文本节点并保留原始空白，但多数场景需要调整：
-
separator=' '：用空格替代换行和制表符，避免段落挤成一行 -
strip=True：自动去掉每段首尾空白，比手动.strip()更彻底 -
separator='\n'+strip=True：适合保留段落结构，比如从新闻正文提取时 - 不要用
.text属性——它不支持参数，且对空元素返回None，容易引发AttributeError
遇到 script/style 内容干扰怎么办
soup.get_text() 默认不会过滤掉 <script></script> 或 <style></style> 里的文本，它们仍会被提取。解决方法是先移除这些节点：
from bs4 import BeautifulSoup
html = "<div>可见文字</div><script>alert('干扰内容');</script>"
soup = BeautifulSoup(html, 'html.parser')
for tag in soup(['script', 'style']):
tag.decompose()
text = soup.get_text(strip=True)
注意：tag.decompose() 是永久删除节点；若只想临时忽略，可用 tag.extract()，效果相同。
浏览器环境里用 textContent 要小心什么
在前端 JS 中，document.createElement('div').innerHTML = html; temp.textContent 是常用做法，但它有隐性限制：
- 不解析 HTML 实体：输入
©，输出仍是©，不是 © - 对非法 HTML 容错强，但也会吞掉部分结构信息（比如注释、DOCTYPE）
- IE8 及更老版本需用
innerText，但它受 CSSdisplay: none影响，隐藏元素内容也会消失 - 如果 HTML 字符串含未闭合标签（如只有
<p>test</p>），不同浏览器解析结果可能不一致
真正难处理的是动态渲染内容——textContent 只反映当前 DOM 状态，JS 未执行完时拿不到完整文本，这点常被忽略。
前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！
