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。如何在python（最好是）或Java脚本中实现此目标？

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

超级容易！在Javascript中，使用textContent。请参阅以下代码

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')