如何用Python爬取HTML页面h3标签并提取纯文本内容？

要提取h3标签内的纯文本，只需要遍历每个h3标签元素，调用get_text()方法（或.text属性）提取文本内容即可，推荐加上strip=True参数去除文本前后的空白字符，让结果更干净。

修改后的完整代码 #

import requests
from bs4 import BeautifulSoup

url = 'http://www.columbia.edu/~fdc/sample.html'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
# 用列表推导式提取每个h3标签的纯文本
text_list = [item.get_text(strip=True) for item in soup.findAll('h3')]
print(text_list)

说明 #

• soup.findAll('h3')返回的是BeautifulSoup的Tag对象列表，每个Tag对象的get_text()方法会提取标签内所有的纯文本内容（包括子标签的文本，如果有的话）。
• strip=True会自动去除文本前后的换行符、空格、制表符等无用空白，避免结果里出现多余的空白内容。

运行修改后的代码，就能得到你想要的纯文本列表：
['CONTENTS', '1. Creating a Web Page', '2. HTML Syntax', ...]

内容的提问来源于stack exchange，提问作者3Vw