Question

我正在寻找将HTML转换为文本的最佳方法，仅使用Python 2.7.x标准库中的模块。（即，没有BeautifulSoup等）

通过HTML到文本转换，我的意思是道德等同于lynx -dump。事实上，只是智能地删除HTML标签，并将所有HTML实体转换为ASCII（或转换为UTF8编码的unicode）就足够了。

请不要使用基于正则表达式的答案。（正则表达不能完成任务。）

谢谢！

Answer 1

Python 2.2以来有HTMLParser module。它不是最有效也不是最简单的用途，但它就在那里......

如果你正在处理正确的XHTML（或者你可以通过Tidy传递它），你可以使用得更好ElementTree

from xml.etree.ElementTree import ElementTree
tree = ElementTree()
tree.parse("your_document.xhtml")
your_string = tree.tostring(method="text", encoding="utf-8")

Answer 2

我写了一个非常简单的python脚本，该脚本仅从HTML文件中提取标题和段落，而无需使用任何第三方图书馆。注意：此脚本非常简单，只能处理非常简单的HTML。而且它是用python 3编写的

from unittest.mock import Mock, patch

@patch("requests.request")
def test_request(request_mock: Mock):
    response_mock = Mock(status_code=200)
    response_mock.json.return_value = {"foo": "bar"}
    request_mock.return_value = response_mock

您仍然可以扩展这个想法，并使其从HTML文件中提取更多内容。

Answer 3

我还建议你看一下html2text。
另请查看另一个thread

仅使用Python标准库进行html到文本的转换

3 个答案: