欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python转换HTML到Text纯文本的方法

程序员文章站 2023-11-23 17:39:46
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...

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:

复制代码 代码如下:
>>> import nltk 
>>> aa = r'''''
<html>
    <body>
 <b>project:</b> dehtml<br>
 <b>description</b>:<br>
 this small script is intended to allow conversion from html markup to 
 plain text.
    </body>
</html>
'''
>>> aa 
'\n<html>\n            <body>\n                <b>project:</b> dehtml<br>\n                <b>description</b>:<br>\n                this small script is intended to allow conversion from html markup to \n                plain text.\n            </body>\n        </html>\n        ' 
>>> <strong>print nltk.clean_html(aa)</strong> 
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:

复制代码 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 + ' ') 
 
    def handle_starttag(self, tag, attrs): 
        if tag == 'p': 
            self.__text.append('\n\n') 
        elif tag == 'br': 
            self.__text.append('\n') 
 
    def handle_startendtag(self, tag, attrs): 
        if tag == 'br': 
            self.__text.append('\n\n') 
 
    def text(self): 
        return ''.join(self.__text).strip() 
 
 
def dehtml(text): 
    try: 
        parser = _dehtmlparser() 
        parser.feed(text) 
        parser.close() 
        return parser.text() 
    except: 
        print_exc(file=stderr) 
        return text 
 
 
def main(): 
    text = r'''''
        <html>
            <body>
                <b>project:</b> dehtml<br>
                <b>description</b>:<br>
                this small script is intended to allow conversion from html markup to 
                plain text.
            </body>
        </html>
    ''' 
    print(dehtml(text)) 
 
 
if __name__ == '__main__': 
    main()

运行结果:

>>> ================================ restart ================================ 
>>>  
project: dehtml  
description :  
this small script is intended to allow conversion from html markup to plain text. 

希望本文所述对大家的python程序设计有所帮助。