python - 仅使用 Python 标准库的 html 到文本转换

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，BeautifulSoup不等）

通过 HTML 到文本的转换，我的意思是lynx -dump. 事实上，只需智能地摆脱 HTML 标记，并将所有 HTML 实体转换为 ASCII（或 UTF8 编码的 unicode）就足够了。

请不要基于正则表达式的答案。（正则表达式不能胜任这项任务。）

谢谢！

Answer 1

Python 从 2.2 开始就有HTMLParser 模块。它不是最有效也不是最简单的使用，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），你可以使用更好的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

我编写了一个非常简单的 python 脚本，它只从 HTML 文件中提取标题和段落，而不使用任何第三方库。注意：这个脚本非常简单，只能处理非常简单的 HTML。它是用python 3编写的

#!/usr/bin/env python3
import os
#This is a standard python module
headings = "<h1>"
paragraphs = "<p>"



f = open('filename.html')
f.close

for line in f: 
   if headings in line:
      print ("line")
   If paragraphs in line:
     print ("line")

您仍然可以扩展此想法并使其从 HTML 文件中提取更多内容。

Answer 3

我还建议你看看html2text。
也看看另一个线程