如何使用BeautifulSoup忽略元素提取指定HTML结构的文本？

完全可以从你提供的HTML结构中提取出目标文本，具体实现方法如下：

步骤说明 #

1. 先确保已安装beautifulsoup4库，未安装的话执行以下命令：

pip install beautifulsoup4

2. 用BeautifulSoup解析HTML，通过内置的文本提取方法获取并清理内容：

代码实现 #

方法一：split+join清理空格 #

from bs4 import BeautifulSoup

# 目标HTML内容
html = """<font>
   <em>X</em>
   and
   <em>Y</em>
</font>"""

# 初始化解析器
soup = BeautifulSoup(html, "html.parser")

# 提取文本并清理多余空白
raw_text = soup.get_text()
clean_text = ' '.join(raw_text.split())
print(f'output = "{clean_text}"')

方法二：利用get_text参数直接处理 #

BeautifulSoup的get_text方法支持参数配置，能更简洁地完成提取和清理：

from bs4 import BeautifulSoup

html = """<font>
   <em>X</em>
   and
   <em>Y</em>
</font>"""

soup = BeautifulSoup(html, "html.parser")
clean_text = soup.get_text(strip=True, separator=' ')
print(f'output = "{clean_text}"')

原理说明 #

• soup.get_text()会递归提取所有标签内的文本内容，包括换行和冗余空格。
• 方法一中的split()会按任意空白字符分割文本，自动忽略连续的换行、空格；' '.join()用单个空格拼接内容，得到规整的文本。
• 方法二中的strip=True移除文本首尾的空白，separator=' '指定用空格分隔不同文本块，一步完成提取和清理。

内容的提问来源于stack exchange，提问作者kaan46