get_text()默认保留源码换行导致段落混乱；应优先用separator=' '和strip=true组合清洗，对需替换为\n，对需单独处理，正则仅作最后补救。
get_text() 默认行为导致换行混乱
直接调用 soup.get_text() 会保留 HTML 源码中的原始换行符（\n）、块级元素间的隐式空行，以及标签内手动换行。结果常是段落间多空行、相邻 <p></p> 粘连或断裂，比如 "第一段\n\n第二段" 或 "AB"（本该是 "A B"）。这不是 bug，而是它原样拼接文本节点 + 保留源码换行的默认逻辑。
控制 separator 和 strip 参数最常用
90% 的清洗需求靠这两个参数就能解决：
-
separator=' '：用空格连接不同标签的文本，避免段落粘连（如<p>Hi</p><div class="aritcle_card flexRow artxards"> <div class="artcardd flexRow"> <a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill7761" title="Article To Html"><img src="https://img.php.cn/upload/skill/000/000/081/179168408018805.jpg" alt="Article To Html" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a rel="nofollow" href="/xiazai/skill7761" title="Article To Html" class="overflowclass">Article To Html</a> <p class="overflowclass">文章转信息图。将文章/笔记转化为手机可读的 HTML 信息图，自动匹配视觉风格。触发场景：文章转图、笔记转图、信息图、转小红书图、做张图、可视化这篇文章、文生图。</p> </div> <a rel="nofollow" href="/xiazai/skill7761" title="Article To Html" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div> <p>Bye</p>→"Hi Bye"） -
strip=True：清除每个文本片段首尾的空白（含\n、\t、空格），防止块级标签前后带空行 - 组合使用：
soup.get_text(separator=' ', strip=True)是最安全的起点 - 若需保留段落分隔，改用
separator='\n'，但务必配合strip=True，否则每行前后仍有冗余空格
遇到 <br> 或 <pre class="brush:php;toolbar:false;"></pre> 要特殊处理
<br> 标签默认不产生文本节点，get_text() 会忽略它；<pre class="brush:php;toolbar:false;"></pre> 则强制保留所有换行和空格 —— 这两类标签无法靠参数自动适配。
- 想把
<br>当换行符用：先遍历替换br.replace_with('\n')，再调用get_text() - 想统一清理
<pre class="brush:php;toolbar:false;"></pre>内容：提前用soup.find_all('pre')找出并 .decompose() 删除，或对每个<pre class="brush:php;toolbar:false;"></pre>单独调用.get_text(strip=True)后再拼接 - 混合场景（如部分段落含
<br>）建议先标准化 DOM：把<br>替换为\n，再统一走get_text(separator=' ', strip=True)
正则后处理仅用于极端情况
当 HTML 结构极不规范（如大量手写 \n + <div> 嵌套），或需要删除所有空白字符（包括中间空格），才考虑正则补刀。
<ul>
<li>删全部换行和制表符：<code>re.sub(r'[\r\n\t]+', ' ', text)
re.sub(r'\s+', ' ', text)（\s 包含空格、换行、制表等）get_text() 之后执行，不能对原始 HTML 字符串直接用 —— 否则可能误删标签内容里的合法空格真正难处理的不是换行本身，而是你没意识到 <br> 和 <pre class="brush:php;toolbar:false;"></pre> 在 DOM 中的行为根本不同 —— 一个被忽略，一个被过度保留。参数调得再细，也得先做这层语义判断。
