| 标题 | Python转换HTML到Text纯文本的方法 |
| 范文 | 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. |
| 随便看 |
|
在线学习网范文大全提供好词好句、学习总结、工作总结、演讲稿等写作素材及范文模板，是学习及工作的有利工具。