Python+Selenium提取HTML文本时如何保留换行空格等原结构

Selenium元素自带的.text属性会默认对文本做归一化处理，自动合并多余空白、忽略部分块级元素的排版间距，没法保留原有的空格、换行结构。要提取整个页面的完整文本且保留格式，用Selenium原生API就能实现，不需要额外引入复杂的解析库，具体方案如下：

优先选：读取innerText属性（最简便） #

直接获取页面body节点的innerText属性，返回的文本和你在浏览器里肉眼看到的排版完全一致，会自动保留块级元素的换行、正常的空格间距，还不会提取script、style这类不可见标签里的内容，适配绝大多数场景：

# 注意：新版本Selenium已经废弃了find_element_by_*系列旧API，统一用下面的定位写法
full_page_text = driver.find_element("tag name", "body").get_attribute("innerText")

要严格保留原始文本结构：读取textContent属性 #

如果需要100%保留HTML源码里写的原始空白、换行（比如<pre>标签里的代码格式、源码中手动写的文本缩进、换行），可以读取html根节点的textContent属性：

full_page_text = driver.find_element("tag name", "html").get_attribute("textContent")

注意：这个属性会把所有DOM节点的文本都拼起来，包括隐藏的script、style标签里的内容，如果不需要这类内容，可以先执行JS删掉对应节点再提取。

需要自定义排版规则：注入JS提取 #

如果你对换行、空格的保留有自定义要求（比如指定标签末尾加双换行、过滤特定class的广告内容），可以直接在页面上下文里跑自定义的JS逻辑，处理完再把结果返回给Selenium：

extract_script = """
// 先删掉不需要的非内容标签
document.querySelectorAll('script, style, noscript, iframe').forEach(node => node.remove());
// 这里可以按需加自己的排版调整逻辑
return document.body.innerText;
"""
full_page_text = driver.execute_script(extract_script)

内容的提问来源于stack exchange，提问作者fam