Python转换HTML到Text纯文本的方法

  • Z时代
  • 2024-01-10
  • 分类：综合

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：

>>> import nltk  
>>> aa = r''''' 
<html> 
    <body> 
 <b>Project:</b> DeHTML<br> 
 <b>Description</b>:<br> 
 This small script is intended to allow conversion from HTML markup to  
 plain text. 
    </body> 
</html> 
'''
>>> aa  
'\n<html>\n            <body>\n                <b>Project:</b> DeHTML<br>\n                <b>Description</b>:<br>\n                This small script is intended to allow conversion from HTML markup to \n                plain text.\n            </body>\n        </html>\n        '  
>>> <span>print nltk.clean_html(aa)</span>  
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:

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> 
                <b>Project:</b> DeHTML<br> 
                <b>Description</b>:<br> 
                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。

以上是 Python转换HTML到Text纯文本的方法 的全部内容， 来源链接： utcz.com/z/352347.html

回到顶部