真正干净的正文需定位语义化容器如或，过滤script/style等干扰标签后调用get_text()，并注意xpath和浏览器选区的安全提取逻辑。
用 BeautifulSoup 定位语义化容器再调 get_text()
直接对整个 soup 调用 get_text()，大概率把导航栏、页脚、广告文案全塞进来。真正干净的正文，基本都藏在 <main></main>、<article></article> 或带 content/post/entry 类名的 <div> 里。
<p>优先尝试这行定位逻辑：</p>
<pre class="brush:php;toolbar:false;">soup.find("main") or soup.find("article") or soup.find("div", class_=re.compile(r"content|post|entry|body"))</pre>
<ul>
<li>如果目标网站结构稳定（比如教育平台固定用 <code>div.dnevnik-lesson__task），就写死 CSS 选择器：soup.select_one("div.dnevnik-lesson__task")
.get_text(separator="\n", strip=True)：换行符分隔段落，首尾空白全清掉<script></script>、<style></style>、<nav></nav>，它们的文本会污染结果提取前必须 decompose() 干扰标签
不是 extract()，也不是手动 clear()，是 decompose()——它连节点对象本身都销毁，内存更干净，且不会留下空占位。
执行这句再提取：
for tag in soup(["script", "style", "nav", "footer", "header", "aside"]): tag.decompose()
-
<script></script>和<style></style>里的内容对文本无意义，但它们的get_text()可能返回大段 JS 字符串或 CSS 注释 -
<nav></nav>和<header></header>常含重复链接文本，和正文语义无关 - 图标类标签（如
<i class="icon-download"></i>）没文本，不影响get_text()，不用管
避免 text() 在 XPath 中误判文本节点
用 //span[@class='meta']/text() 经常拿不到想要的日期或作者，不是 XPath 写错了，而是 HTML 里 text() 返回的是节点集合，XPath 1.0 只取第一个——而第一个往往是换行符、空格，或者分隔符 | 前面那段。
当目标文本紧跟某个已知分隔符（比如 |、:、—）时，改用：
substring-after(//span[@class='meta'], "| ")
- 先确保整个
span的字符串值完整（包含所有子文本），再切分 - 比遍历所有
text()节点 + 条件过滤更稳，尤其适合时间戳、作者名这类“分隔符后即目标”的场景 - 注意：XPath 表达式需配合 lxml 使用，
html.parser不支持substring-after
用户选中文本必须检查 rangeCount 再取值
在浏览器中监听用户高亮操作，window.getSelection().toString() 看似简单，但一拖跨两个 <p></p> 就可能漏字；一松手还没触发事件，getRangeAt(0) 就直接抛 IndexSizeError。
安全读取三步不能少：
const sel = window.getSelection(); if (sel.rangeCount === 0) return; const range = sel.getRangeAt(0); const text = range.toString().trim();
- 永远先判断
rangeCount > 0，否则 iOS Safari 或旧版微信 WebView 会静默失败 - 不要用
sel.anchorNode.textContent—— 它不反映真实选区，跨元素时错乱率极高 - 需要位置信息？必须用
range.getBoundingClientRect()，anchorOffset是字符偏移，不是像素坐标
最易被忽略的一点：动态渲染页面中，选区可能在 DOM 更新后失效，getBoundingClientRect() 返回的矩形区域也得在最新帧里重新取一次。
