Python轉(zhuǎn)換HTML到Text純文本的方法
更新時間：2015年01月15日 10:27:37 投稿：shichen2014
這篇文章主要介紹了Python轉(zhuǎn)換HTML到Text純文本的方法,分析了常用的兩種方法,非常具有實用價值,需要的朋友可以參考下
本文實例講述了Python轉(zhuǎn)換HTML到Text純文本的方法。分享給大家供大家參考。具體分析如下：
今天項目需要將HTML轉(zhuǎn)換為純文本，去網(wǎng)上搜了一下，發(fā)現(xiàn)Python果然是神通廣大，無所不能，方法是五花八門。
拿今天親自試的兩個方法舉例，以方便后人：
方法一：
1. 安裝nltk，可以去pipy裝
（注：需要依賴以下包：numpy, PyYAML）
2.測試代碼：
復制代碼 代碼如下:
>>> 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.
>>> 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：
如果覺得nltk太笨重，大材小用的話，可以自己寫代碼，代碼如下:
復制代碼 代碼如下:
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()
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()
運行結(jié)果：
>>> ================================ RESTART ================================
>>>
Project: DeHTML
Description :
This small script is intended to allow conversion from HTML markup to plain text.
希望本文所述對大家的Python程序設計有所幫助。
相關(guān)文章
本文主要介紹了Python中GPU計算的庫pycuda的使用,詳細介紹了PyCUDA 庫的特性、用法,并通過豐富的示例代碼展示其在實際項目中的應用,感興趣的可以了解一下2024-05-05
今天小編就為大家分享一篇python字符串與url編碼的轉(zhuǎn)換實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
解決使用Pycharm導入conda?environment時找不到python.exe
今天在使用conda創(chuàng)建環(huán)境之后,使用pycham發(fā)現(xiàn)找到自己的python環(huán)境但是找不到環(huán)境對應的python.exe,這篇文章主要給大家介紹了關(guān)于如何解決使用Pycharm導入conda?environment時找不到python.exe的相關(guān)資料,需要的朋友可以參考下
Python使用colorlog實現(xiàn)控制臺管理日志多種顏色顯示
colorlog 是一個 Python 日志庫,它可以讓你在控制臺中以彩色的方式顯示日志消息,使得日志更易于閱讀和理解,下面就跟隨小編一起來看看它的具體應用吧2024-03-03
這篇文章主要介紹了淺談python條件表達式：多項分支，雙向分支的使用，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
中文文本中可能出現(xiàn)的標點符號來源比較復雜，通過匹配等手段對他們處理的時候需要格外小心，防止遺漏，下面小編給大家?guī)砹薖ython處理中文標點符號大集合，感興趣的朋友跟隨腳本之家小編一起看看吧2018-05-05
Python實現(xiàn)的生成自我描述腳本分享(很有意思的程序)
這篇文章主要介紹了Python實現(xiàn)的生成自我描述腳本分享,很有意思的程序,繞的人有點頭暈,需要的朋友參考下吧2014-07-07
Python編程functools模塊創(chuàng)建修改的高階函數(shù)解析
本篇文章主要為大家介紹functools模塊中用于創(chuàng)建、修改函數(shù)的高階函數(shù)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2021-09-09
這篇文章主要為大家介紹了python函數(shù)遞歸與調(diào)用,有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-11-11
在實際開發(fā)中,有時候我們需要在Python中執(zhí)行一些系統(tǒng)命令（CMD命令）,本文將詳細介紹在Python中執(zhí)行CMD命令的方法,并通過豐富的示例代碼幫助大家更全面地理解這一過程,希望對大家有所幫助2023-12-12