Python转换HTML到Text纯文本的方法

合集下载

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Python转换HTML到Text纯⽂本的⽅法
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。