textcontent提取html纯文本最快最安全，浏览器中临时创建div并赋innerhtml后读取textcontent即可；服务端推荐beautifulsoup.get_text()，正则删标签易漏注释、脚本、实体且不处理嵌套。
直接用 textContent 最快最安全，但得在浏览器环境里；服务端用 BeautifulSoup.get_text() 更稳，别信正则删标签——它会漏掉注释、脚本、自闭合标签里的文本，还容易把实体字符（如 ）搞成乱码。
浏览器里一行搞定：用 textContent 而不是 innerText
临时创建一个 div，把 HTML 字符串塞进 innerHTML，再读它的 textContent：
const htmlString = '<p>Hello</p><script>alert(1)</script> World';
const temp = document.createElement('div');
temp.innerHTML = htmlString;
const text = temp.textContent; // → "Hello World"
注意：textContent 不执行脚本、不渲染样式、不处理 CSS display: none，但能正确解码实体（ → 全角空格）；innerText 会受样式影响，且 IE 兼容性差，不推荐用于提取。
- 如果原始 HTML 含有
<!-- comment -->，textContent会忽略它——这是对的 - 如果需要把多个空白符压缩成单个空格，额外加
.replace(/\s+/g, ' ').trim() - 不要对用户输入的 HTML 直接赋给
innerHTML后再执行脚本——有 XSS 风险；纯提取文本则无害
Python 服务端首选：用 BeautifulSoup 的 get_text()
比 html.unescape() + re.sub() 可靠得多，能处理嵌套、换行、换段逻辑：
from bs4 import BeautifulSoup html = '<div> <p>Line1</p><div class="aritcle_card flexRow artxards"> <div class="artcardd flexRow"> <a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill9263" title="Html2md"><img src="https://img.php.cn/upload/skill/000/000/081/179249945220127.jpg" alt="Html2md" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a rel="nofollow" href="/xiazai/skill9263" title="Html2md" class="overflowclass">Html2md</a> <p class="overflowclass">使用 Readability + Turndown 将 HTML 页面转换为干净的、Agent 友好的 Markdown。去除导航栏、广告、页脚、Cookie 横幅、社交按钮等干扰元素。支持 URL...</p> </div> <a rel="nofollow" href="/xiazai/skill9263" title="Html2md" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div> <p>Line2</p> </div>' soup = BeautifulSoup(html, 'html.parser') text = soup.get_text(separator='\n', strip=True) # → "Line1\nLine2"
- 必须指定解析器，
'html.parser'足够轻量；若 HTML 极度不规范，可换'lxml' -
separator控制块级元素间分隔符，默认是空字符串，容易粘连；设为'\n'更符合阅读习惯 -
strip=True自动清理首尾空白，但不会触碰中间缩进——这点比手写正则可控得多 - 避免用
soup.text：它不支持separator和strip参数，行为不可控
避开正则陷阱：为什么 re.sub(r"]*>", "", s) 不可靠
它看似简单，实际会在这些地方翻车：
- 匹配
<script>console.log("<div>")</script>时，第一个和最近的 <code>>配对，导致中间引号内 HTML 被误删 - 跳过注释
<!-- <p>ignored</p> -->，但正则没排除注释区域，可能把-->当标签尾截断 - 无法识别
<等实体，输出里全是字面符号而非对应字符 - 自闭合标签如
<br>或<img src="x">在某些正则下可能漏匹配
除非你 100% 确认输入是极简、无脚本、无注释、无实体的 HTML 片段，否则别用正则做提取主逻辑。
提取“父元素内直接文本”，避开子标签内容
比如这个结构：<p><strong>Title:</strong> Actual content here.</p>，只想拿 "Actual content here."，不要 "Title:"：
- 在浏览器中：用
Array.from(p.childNodes).filter(n => n.nodeType === 3).map(n => n.textContent).join('').trim()——只取文本节点（nodeType 3） - 在 BeautifulSoup 中：
p.get_text(strip=True)会返回全部；要精确控制，得遍历p.children，跳过Tag类型，只拼接bs4.element.NavigableString - 用 lxml + XPath：
//p/text()只取直接子文本节点，不进<strong></strong>；但注意它会返回多个字符串，需''.join()
这类需求本质是 DOM 树遍历问题，不是“去标签”，而是“选节点”。用错方法（比如先删标签再切分）极易把空格、换行逻辑搞崩。
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！
