当前位置： 移动技术网 > IT编程>脚本编程>Python > Python转换HTML到Text纯文本的方法

Python转换HTML到Text纯文本的方法

2019年03月23日  | 移动技术网IT编程  | 我要评论

nba季前赛赛程,凸轮设计,罗定地图

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。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网