如何使用Python Selenium去除网页rt标签内的furigana假名注音

问题场景 #

抓取带假名注音（furigana）的日语网页时，直接获取innerText会把<rt>标签里的注音内容附在汉字后（比如得到「16日にち、韓国かんこく」），需要只保留汉字和原文标点，得到「16日、韓国」。

可行解决方案 #

方法1：用Selenium执行JavaScript删除RT元素 #

直接通过JS操作DOM删除所有<rt>标签后再提取文本，这是最直接的方式：

from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Chrome()
browser.get("目标网页URL")

# 定位目标元素
element = browser.find_element(By.CLASS_NAME, "article-main")

# 执行JS删除所有rt标签
browser.execute_script("""
    const rtElements = arguments[0].querySelectorAll('rt');
    rtElements.forEach(rt => rt.remove());
""", element)

# 现在获取innerText就是不含注音的内容
article = element.get_attribute("innerText")
print(article)

browser.quit()

方法2：用BeautifulSoup解析HTML并移除RT标签 #

如果不想操作DOM，可以先获取innerHTML，用BeautifulSoup解析后删除所有<rt>标签再提取文本：

from selenium import webdriver
from selenium.webdriver.common.by import By
from bs4 import BeautifulSoup

browser = webdriver.Chrome()
browser.get("目标网页URL")

element = browser.find_element(By.CLASS_NAME, "article-main")
html_content = element.get_attribute("innerHTML")

# 解析HTML并删除所有rt标签
soup = BeautifulSoup(html_content, "html.parser")
for rt_tag in soup.find_all("rt"):
    rt_tag.decompose()

# 获取处理后的文本
article = soup.get_text(strip=False)
print(article)

browser.quit()

你之前代码出错的原因 #

element.find_elements(By.TAG_NAME, "rt")返回的是WebElement列表，不是单个元素，所以不能直接调用.innerText；而且即使遍历列表，直接用replace也可能因为文本顺序或重复内容出问题，不如直接删除标签彻底。

内容的提问来源于stack exchange，提问作者hpbristol