Python，获取html文档的文本值

Question

我的问题很简单，我有一个包含html标签的字符串 我只想从该字符串中获取实际文本值，例如：

html string：

<strong><p> hello </p><p> world </p></strong>

文字值：你好世界

是否有能够做到这一点的功能？

Answer 1

您可以使用BeautifulSoup的get_text()功能：

from bs4 import BeautifulSoup


text = "<strong><p> hello </p><p> world </p></strong>"

soup = BeautifulSoup(text)
print soup.get_text()  # prints " hello  world "

或者，您可以使用nltk：

import nltk


text = "<strong><p> hello </p><p> world </p></strong>"
print nltk.clean_html(text)  # prints "hello world"

另一种选择是使用html2text，但它的行为有点不同：例如： strong替换为*。

另见相关主题：Extracting text from HTML file using Python

希望有所帮助。