如何从html页面中提取没有标记标签的文本内容？

Question

我只想从 html 页面中提取不包括标记的文本。我怎样才能在 python（最好）或 java 脚本中实现这一点？对于以下代码：<div id = #one> OneDivision <div id = #two>TwoDivision</div> <span>SpanElement</span></div>我的输出应该是： OneDivision TwoDivision SpanElement

Answer 1

超级简单！在 Javascript 中，使用textContent. 看下面的代码

console.log(document.getElementById("one").textContent);

<div id = "one">

 OneDivision

 <div id = "two">TwoDivision</div>

 <span>SpanElement</span>

</div>

Answer 2

from bs4 import BeautifulSoup

html = '<div id = #one>OneDivision<div id = #two>TwoDivision</div><span>SpanElement</span></div>'

soup = BeautifulSoup(html,"lxml")

print(soup.get_text(separator=' '))

输出

'OneDivision TwoDivision SpanElement'

Answer 3

html_doc = BeautifulSoup(html, 'lxml').body

if html_doc is None:

    return None

for tag in html_doc.select('script'):

    tag.decompose()

for tag in html_doc.select('style'):

    tag.decompose()

text = html_doc.get_text(separator='\n')