4

我需要任意 HTML 文件（例如，博客文章）的纯文本表示。到目前为止，这不是问题，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对齐（到一定数量的列），并且如果可能的话，使用连字符以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。

我可以使用 XSLT 进行简单的纯文本对话，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（不太正确，因为 XSLT 是图灵完备的，但足够接近现实）。

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

我还尝试了 HTML -> XSLT -> Roff，但我坚持使用 groff，它的 Unicode 支持远非最佳。因为有像省略号（“...”）这样的字符和印刷正确的引号，所以在 XSLT 样式表中告诉 groff 几十个 Unicode 字符的转义序列是相当麻烦的。

另一种方法是转换为 TeX 并以纯文本形式输出，但我以前从未尝试过使用 (La)TeX。

也许我错过了一些非常简单的事情。有谁知道，我怎样才能实现上述目标？顺便说一句：解决方案最好在没有 root 权限的情况下使用 PHP、Python、Perl、XSLT 或在半体面的 Linux 发行版中找到的任何程序。

4

3 回答 3

4

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

但是，缺少两个功能。为了证明文本的合理性，您需要在每一行中添加空格，但这应该不是什么大问题（请参阅此代码示例）。

对于断字，试试这个项目。

于 2009-10-30T09:12:38.623 回答
2

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

你甚至可以编写一个小函数来完成这项工作：

(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")
于 2009-11-10T16:04:49.393 回答
0

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

于 2009-10-30T09:16:30.817 回答