Python提取HTML全量文本并识别文本是否加粗的实现方法

核心逻辑：对每一个提取到的文本节点，从其父节点开始向上遍历整条DOM祖先链，只要任意一个祖先节点命中粗体判定规则，就标记该文本为粗体，否则为非粗体。
判定时需要覆盖两类规则：

• 文本被<b>标签直接或间接包裹
• 任意包裹文本的标签，style属性中设置font-weight值为bold或700
  注意不要硬匹配style属性的完整字符串，实际HTML中style可能包含多余空格、和其他样式属性混写，需要拆分样式键值对做匹配，避免漏判。

from bs4 import BeautifulSoup
import pandas as pd

def check_text_bold(text_node):
    # 向上遍历所有祖先标签
    for parent_tag in text_node.parents:
        # 规则1：被<b>标签包裹
        if parent_tag.name == "b":
            return True
        # 规则2：标签设置了粗体font-weight样式
        style_attr = parent_tag.get("style", "")
        if not style_attr:
            continue
        # 拆分style条目，兼容空格、多样式混写场景
        style_entries = [entry.strip() for entry in style_attr.split(";") if entry.strip()]
        for entry in style_entries:
            if ":" not in entry:
                continue
            prop, value = [seg.strip().lower() for seg in entry.split(":", 1)]
            if prop == "font-weight" and value in ("bold", "700"):
                return True
    return False

if __name__ == "__main__":
    # 替换为你的HTML文件路径
    html_file = "test.html"
    with open(html_file, "r", encoding="utf-8") as f:
        soup = BeautifulSoup(f.read(), "html.parser")
    
    # 提取所有文本节点
    all_text_nodes = soup.find_all(text=True, recursive=True)
    res = {"Text": [], "Bold": []}
    for node in all_text_nodes:
        text = node.strip()
        # 跳过纯空白的换行、缩进节点
        if not text:
            continue
        res["Text"].append(text)
        res["Bold"].append("yes" if check_text_bold(node) else "no")
    
    # 生成DataFrame
    df = pd.DataFrame(res)
    print(df)

用题目给出的测试HTML样例运行代码，会输出共15条文本记录，其中bold text (8)、bold text (10)、bold text (12)、bold text (14)4条记录的Bold字段值为yes，其余为no，完全匹配预期结果。

• 如果需要识别<strong>标签默认粗体的场景，只需要在规则1的判断中增加parent_tag.name == "strong"的条件即可
• 如果需要兼容font-weight为500以上数值即判定粗体的业务规则，只需要调整value判断的逻辑，把数值做类型转换后判断阈值即可
• 如果HTML中存在通过CSS类设置粗体的场景，可以额外引入CSS解析库读取对应类的样式属性，再追加到判定逻辑中

内容的提问来源于stack exchange，提问作者constiii