Python转换HTML到Text纯文本的方法

2020-02-23 06:21:07

字体：大中小

来源：转载

供稿：网友

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：
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:
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 + ' ')