如何在没有Python标记的情况下将HTML转换为文本？

Question

我需要从HTML文档中获取纯文本，同时将<br>元素视为换行符。 BeautifulSoup.text不会处理<br>和换行符。 HTML2Text非常好，但它转换为markdown。我怎么能接近这个？

Answer 1

我喜欢使用以下方法。您可以在字符串上进行手动.replace('<br>','\r\n')，然后将其传递给strip_tags(html)以兑现新行。

来自this question：

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

Answer 2

您可以删除标签并将其替换为空格（如果需要）：

import re

myString = re.sub(r"<(/)?br(/)?>", "\n", myString)
myString = re.sub(r"<[^>]*>", " ", myString)