Python转换HTML到Text纯文本的方法

脚本专栏 2024/12/27 佚名

3 2 1

本文实例讲述了Python转换HTML到Text纯文本的方法。分享给大家供大家参考。具体分析如下：

今天项目需要将HTML转换为纯文本，去网上搜了一下，发现Python果然是神通广大，无所不能，方法是五花八门。

拿今天亲自试的两个方法举例，以方便后人：

方法一：

1. 安装nltk，可以去pipy装

（注：需要依赖以下包：numpy, PyYAML）

2.测试代码：
复制代码代码如下:> import nltk
> aa = r'''''
<html>
 <body>
Project: DeHTML 
Description: 
This small script is intended to allow conversion from HTML markup to
plain text.
 </body>
</html>
'''
> aa
'\n<html>\n <body>\n Project: DeHTML \n Description: \n This small script is intended to allow conversion from HTML markup to \n plain text.\n </body>\n </html>\n '
> print nltk.clean_html(aa)
Project: DeHTML
 Description :
 This small script is intended to allow conversion from HTML markup to
 plain text.

方法二：

如果觉得nltk太笨重，大材小用的话，可以自己写代码，代码如下:
复制代码代码如下:from HTMLParser import HTMLParser
from re import sub
from sys import stderr
from traceback import print_exc

class _DeHTMLParser(HTMLParser):
 def __init__(self):
 HTMLParser.__init__(self)
 self.__text = []

 def handle_data(self, data):
 text = data.strip()
 if len(text) > 0:
 text = sub('[ \t\r\n]+', ' ', text)
 self.__text.append(text + ' ')

 def handle_starttag(self, tag, attrs):
 if tag == 'p':
 self.__text.append('\n\n')
 elif tag == 'br':
 self.__text.append('\n')

 def handle_startendtag(self, tag, attrs):
 if tag == 'br':
 self.__text.append('\n\n')

 def text(self):
 return ''.join(self.__text).strip()

def dehtml(text):
 try:
 parser = _DeHTMLParser()
 parser.feed(text)
 parser.close()
 return parser.text()
 except:
 print_exc(file=stderr)
 return text

def main():
 text = r'''''
 <html>
 <body>
 Project: DeHTML 
 Description: 
 This small script is intended to allow conversion from HTML markup to
 plain text.
 </body>
 </html>
 '''
 print(dehtml(text))

if __name__ == '__main__':
 main()

运行结果：

> ================================ RESTART ================================
>
Project: DeHTML
Description :
This small script is intended to allow conversion from HTML markup to plain text.

希望本文所述对大家的Python程序设计有所帮助。

Python,转换,HTML,Text,纯文本,方法