推荐用 BeautifulSoup 指定 'lxml' 或 'html.parser' 解析器读取本地 HTML 并调用 get_text() 提取可见文本,它自动跳过 script/style/comment、解码实体、处理空白;需注意编码探测与脏数据容错。

直接用解析器读取并调用 get_text(),别用正则删标签——正则对嵌套、注释、script、自闭合标签基本失效,且无法处理编码乱码和实体字符(如 &、 )。
用 BeautifulSoup 读取本地 HTML 并提取全部可见文本
这是最稳定、适配性最强的通用做法。关键在于:不依赖浏览器渲染逻辑,但能正确跳过 script、style、comment 等非内容节点,并自动解码 HTML 实体。
- 必须指定解析器:推荐
'lxml'(快且容错强),或内置的'html.parser'(无需额外安装) - 加载后立即调用
soup.get_text(),它会递归遍历所有文本节点,合并空白,跳过隐藏内容 - 若需控制换行或段落分隔,可传参:
soup.get_text(separator='\n', strip=True)
from bs4 import BeautifulSoup
with open('page.html', 'r', encoding='utf-8') as f:
html = f.read()
soup = BeautifulSoup(html, 'lxml')
text = soup.get_text(separator='\n', strip=True)
print(text)
遇到编码错误(如 UnicodeDecodeError)怎么办
HTML 文件常带 鎴栨湭澹版槑缂栫爜锛岃
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!











