如何使用HTML提取文本并保留段落-html教程-PHP中文网

get_text(separator='\n', strip=True) 是保留段落换行的正确方法：separator='\n'使块级元素文本以换行连接，strip=True清除首尾空白；.text和.string不支持分隔与清理，且.string遇嵌套标签即返回None。

如何使用html提取文本并保留段落

用 `get_text(separator='\n', strip=True)` 保留段落换行

直接调用 get_text() 默认不保留语义换行，

和

 之间的文本会被挤成一行。关键在于显式设置 separator='\n'，让不同块级元素的文本以换行符连接，再配合 strip=True 清掉每段首尾多余的空格和回车。

separator='\n' 是最贴近“保留段落”的实际做法，不是模拟、不是猜测，而是控制拼接逻辑
不要用 separator=' ' 或空字符串，中文里会导致“第一段第二段”粘连

strip=True 必须开启，否则 \n  内容\n 会输出 \n  内容\n，首尾空白污染后续处理

为什么 .text 和 .string 不适合段落提取
.text 表面看是“取文本”，但它内部不区分节点层级，会把所有子文本无分隔拼接；.string 更脆弱——只要标签里有任何嵌套（比如 加粗文字），它就返回 None。二者都不支持分隔符或清理策略。


soup.p.text → “第一段第二段”（无换行、无间隔）

soup.p.string → None（只要  里有任意子标签，就失效）
真正需要的是递归遍历 + 可控拼接，这正是 get_text() 的设计目的

遇到 
 或内联换行怎么办

 是空标签，get_text() 默认忽略它，所以原始 HTML 中靠 
 实现的换行不会被保留。如果业务上必须还原这类换行（例如论坛发帖、用户输入富文本），得先预处理：把 
 替换成占位符或真实换行符。

											
												
												
													财经HTML高端海报生成
													复杂得财经如何变成清晰，适合手机看的海报？如何加上你的IP
												
												下载
												
											
										

简单方案：soup.find_all('br') 遍历后用 replace_with('\n')

注意顺序：必须在调用 get_text() 前完成替换，否则无效
慎用全局替换 
 ——有些页面用它做布局 hack，误替会影响段落结构

提取后仍有空行？检查块级元素是否嵌套过深
即使用了 separator='\n'，仍可能出现连续多个 \n，常见于 
内容
 这类结构： 贡献一个 \n，外层  又贡献一个，结果变成 \n\n。这不是 bug，而是 DOM 结构的真实反映。
后处理用 re.sub(r'\n{2,}', '\n', text) 合并多余空行
更稳妥的做法是定位到具体语义容器（如 soup.article 或 soup.find(class_='content')），避免从 soup.body 这种顶层节点开始提取
别依赖“看起来像段落”的视觉判断，HTML 的块级语义和 CSS 渲染是两回事

段落不是视觉概念，是 HTML 元素层级与 get_text 拼接逻辑共同作用的结果。最容易被忽略的点是：没意识到 
文本
 这种嵌套会引入额外换行，而不是以为“只要设了 separator='\n' 就万事大吉”。