如何获取html文本_从网页或代码中提取HTML文本内容【提取】

提取网页纯文本有五种方法：一、浏览器开发者工具手动复制；二、Python BeautifulSoup库解析；三、JavaScript控制台执行；四、命令行工具w3m/lynx转换；五、正则表达式剥离标签。

如果您需要从网页源代码或已有的HTML文件中提取纯文本内容，可能是因为要进行内容分析、数据清洗或信息汇总。以下是几种可行的提取方法：

一、使用浏览器开发者工具手动复制

该方法适用于单次、小规模提取，无需编程环境，直接利用浏览器内置功能获取渲染后页面的可见文本。

1、在目标网页上右键选择“查看页面源代码”或按快捷键 Ctrl+U（Windows）/ Cmd+U（Mac）打开源码视图。

2、若需提取渲染后的文本（即用户实际看到的内容），按 F12 打开开发者工具，切换到“Elements”面板。

立即学习“前端免费学习笔记（深入）”；

3、按 Ctrl+A 全选当前显示的 DOM 结构，再按 Ctrl+Shift+C 进入元素选择模式，点击任意文本区域定位对应节点。

4、右键目标元素，在弹出菜单中选择“Edit as HTML”，然后手动删除所有标签，仅保留文字内容。

5、或切换至“Console”面板，输入 document.body.innerText 并回车，控制台将输出去除HTML标签后的纯文本。

二、使用Python的BeautifulSoup库解析提取

该方法适合批量处理HTML文件或网络抓取后的响应内容，能精准剥离标签并保留段落结构与换行逻辑。

1、确保已安装 requests 和 beautifulsoup4：执行命令 pip install requests beautifulsoup4。

2、编写脚本读取本地HTML文件：with open("page.html", "r", encoding="utf-8") as f: html_content = f.read()。

3、创建BeautifulSoup对象：from bs4 import BeautifulSoup; soup = BeautifulSoup(html_content, "html.parser")。

4、调用 soup.get_text() 方法获取全部文本，或使用 soup.body.get_text() 限定于主体部分。

5、为保留段落分隔，可传入参数：soup.get_text(separator="\n", strip=True)。

三、使用JavaScript在浏览器控制台执行提取

该方法适用于快速对当前打开网页执行一次性文本提取，不依赖外部工具，直接运行于页面上下文环境中。

标签： linux javascript python java html 正则表达式 windows 浏览器 ubuntu 工