如何用Python从HTML文件中提取所有嵌套文本（尽量不依赖库）

方案一：纯正则实现（无第三方库） #

如果不想引入第三方库，可以用正则匹配并移除所有HTML标签，再清理多余空白来提取文本。核心思路是把所有<>包裹的标签内容替换为空，剩下的就是文本内容。

示例代码：

import re

html_content = """<div>
  <div>
    <h1>Title</h1>
    <p>Some text i want to fetch</p>
  </div>
  <RandomVueComponent>Some other text i want to fetch</RandomVueComponent>
</div>
<a href="#">Might be some text too</a>
"""

# 移除所有HTML标签
clean_text = re.sub(r'<[^>]+>', '', html_content)
# 清理多余的换行、空格，过滤空行
text_lines = [line.strip() for line in clean_text.split('\n') if line.strip()]
# 合并成最终文本（也可以保留列表形式按行输出）
final_text = '\n'.join(text_lines)

print(final_text)

输出结果：

Title
Some text i want to fetch
Some other text i want to fetch
Might be some text too

注意：正则处理HTML有局限性，如果HTML里存在标签属性包含>（比如<div data-x="a>b">）、注释、<script>/<style>这类不需要提取的文本块，正则会失效。这种情况下更推荐用下面的方案。

方案二：用BeautifulSoup（无需指定标签） #

你之前对BeautifulSoup的理解有误——它完全不需要以特定标签作为匹配依据，直接调用get_text()就能提取所有嵌套层级的文本，不管标签类型。而且它能正确处理复杂HTML结构，避免正则的各种坑。

示例代码：

from bs4 import BeautifulSoup

html_content = """<div>
  <div>
    <h1>Title</h1>
    <p>Some text i want to fetch</p>
  </div>
  <RandomVueComponent>Some other text i want to fetch</RandomVueComponent>
</div>
<a href="#">Might be some text too</a>
"""

soup = BeautifulSoup(html_content, 'html.parser')
# 提取所有文本，参数strip=True会自动清理多余空白，separator指定分隔符
clean_text = soup.get_text(strip=True, separator='\n')

print(clean_text)

输出结果和正则方案一致，但能处理更复杂的HTML场景，比如包含注释、特殊属性的标签等。

内容的提问来源于stack exchange，提问作者Pous17