如何用Python将HTML页面文本按标签拆分提取为列表？

我明白你想要的是把HTML里每个标签的独立文本都拆成列表项，而不是把父标签和子标签的文本混在一起合并起来。之前用get_text()和find()的问题确实很常见，我给你个简单有效的解决方案：

方法：遍历所有文本节点并过滤空白 #

使用BeautifulSoup的find_all(text=True)方法可以获取文档中所有的文本节点，包括标签内的直接文本和子标签的文本，之后我们只需要过滤掉空白内容，就能得到你想要的结果。

代码示例：

from bs4 import BeautifulSoup

# 你的HTML内容
html_content = '<div>Hello <span>World Test This</span> <p>HTML</p> </div> <span>Extraction</span>'
soup = BeautifulSoup(html_content, 'html.parser')

# 提取非空白的文本节点并整理成列表
extracted_texts = [text.strip() for text in soup.find_all(text=True) if text.strip()]

print(extracted_texts)
# 输出结果: ["Hello","World Test This","HTML","Extraction"]

为什么之前的方法不适用？ #

• get_text()：这个方法会将当前标签及其所有子标签的文本合并成一个字符串，无法拆分出每个标签的独立文本。
• find()搭配get_text()：只能获取单个匹配标签的文本，而且如果标签包含子标签，同样会把子标签的文本和父标签的文本合并，没法区分开。

补充说明 #

如果你的HTML里有更多复杂的嵌套结构，这个方法依然有效，因为它会遍历所有层级的文本节点，只保留有实际内容的部分，自动忽略那些仅包含空格、换行的空文本节点。

内容的提问来源于stack exchange，提问作者Lucas Abraham