Question

我需要任意HTML文件的纯文本表示（例如，博客文章）。到目前为止，这不是一个问题，有几十个HTML到TXT转换器。但是，段落中的文本（读作“p元素”）应该在纯文本视图中证明（到一定数量的列），并且如果可能的话，用连字符来提供更好的可读结果。此外，生成的文本文件必须是UTF-8或UTF-16。

简单的纯文本对话我可以用XSLT做，这几乎是微不足道的。但是文本的合理性超出了它的可能性（不完全正确，因为XSLT是图灵完整的，但足够接近现实）。

FOP和XSL-FO也不起作用。他们按照要求做了，但FOP的纯文本输出很糟糕（开发人员说，它不适合这种用法）。

我还试验过HTML - ＆gt; XSLT - ＆gt; Roff，但我坚持使用groff，它的Unicode支持远非最佳。由于存在像椭圆（“...”）和印刷正确的配额标记这样的字符，因此在XSLT样式表中告诉groff几十个Unicode字符的转义序列是非常麻烦的。

另一种方法可能是转换为TeX并输出为纯文本，但我以前从未尝试使用（La）TeX。

也许我错过了一些非常简单的事情。有谁有想法，我怎么能实现上述目标？顺便说一句：一个解决方案应该最好在没有root权限的情况下安装，使用PHP，Python，Perl，XSLT或者在一个不太合适的Linux发行版中找到的任何程序。

Answer 1

试试Python。使用BeautifulSoup来解析HTML。 textwrap module将允许您格式化文本。

但是缺少两个功能。要证明文本的合理性，您需要为每一行添加空格，但这不应该是一个大问题（请参阅this code example）。

对于连字符，请尝试this project。

Answer 2

如果您熟悉Emacs，可以在Emacs-W3M中打开HTML文件（即M-x w3m-find-file foo.html），将呈现的页面保存为纯文本文件，然后打开M-x set-justification-full它

您甚至可以编写一个小功能来完成这项工作：

(defun my-html-to-justifed-text (html-file text-file)
  "Convert HTML-FILE to plain TEXT-FILE."
  (find-file html-file)
  (w3m-rendering-buffer)
  (set-justification-full (point-min) (point-max))
  (write-file text-file))

(my-html-to-justifed-text "~/tmp/2.html" "~/tmp/2.txt")

Answer 3

Links或lynx可能值得一试，请参阅-dump开关。然后，您可以使用iconv或类似的东西轻松单独解决编码部分。

来自HTML的合理纯文本

3 个答案: