### 处理 `<script>` 标签的方法 在 Python 中，可以利用正则表达式模块 `re` 或者 HTML 解析库如 BeautifulSoup 来处理网页中的 `<script>` 标签并提取纯文本内容。以下是两种常见的方法： #### 方法一：使用正则表达式过滤 `<script>` 标签 通过编写正则表达式来匹配 `<script>` 和 `</script>` 标签及其内部的内容，并将其移除。 ```python import re def remove_script_tags(html_content): script_pattern = r'<script.*?>[\s\S]*?</script>' # 匹配<script>标签及其内容 cleaned_html = re.sub(script_pattern, '', html_content) # 替换为空字符串 return cleaned_html ``` 上述代码定义了一个函数 `remove_script_tags`，它接受一个参数 `html_content` 表示原始的 HTML 文本[^1]。此函数会返回一个新的不含 `<script>` 部分的 HTML 字符串[^2]。 #### 方法二：使用 BeautifulSoup 进行解析和清理 BeautifulSoup 是一种强大的 HTML/XML 解析器，能够轻松地定位特定标签并删除它们。 ```python from bs4 import BeautifulSoup def extract_text_with_bs4(html_content): soup = BeautifulSoup(html_content, 'html.parser') # 使用默认解析器创建 Soup 对象 for script in soup(["script", "style"]): # 查找所有的 <script> 和 <style> 标签 script.decompose() # 删除这些标签 text = soup.get_text(separator=" ") # 获取剩余文档的纯文本形式 lines = (line.strip() for line in text.splitlines()) # 移除多余的空白字符 chunks = (phrase.strip() for line in lines for phrase in line.split(" ")) final_text = '\n'.join(chunk for chunk in chunks if chunk) return final_text ``` 这段代码展示了另一种方式——借助 BeautifulSoup 库完成相同的目标。这里不仅去除了 `<script>` 标签还额外清除了可能存在的其他干扰项比如样式表 (`<style>`)。最终得到的是经过整理后的干净文本数据。 ### 性能对比与适用场景分析 当面对简单的任务或者性能敏感的应用程序时，采用正则表达式的解决方案往往更加高效；然而对于结构复杂、嵌套层次较高的HTML页面来说，则推荐选用像 Beautifulsoup 这样的专用工具来进行操作。