Python转换HTML到Text纯文本的方法
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：
>>>importnltk
>>>aa=r'''''
<html>
<body>
<b>Project:</b>DeHTML<br>
<b>Description</b>:<br>
ThissmallscriptisintendedtoallowconversionfromHTMLmarkupto
plaintext.
</body>
</html>
'''
>>>aa
'\n<html>\n <body>\n <b>Project:</b>DeHTML<br>\n <b>Description</b>:<br>\n ThissmallscriptisintendedtoallowconversionfromHTMLmarkupto\n plaintext.\n </body>\n </html>\n '
>>><strong>printnltk.clean_html(aa)</strong>
Project:DeHTML
Description:
ThissmallscriptisintendedtoallowconversionfromHTMLmarkupto
plaintext.
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:
fromHTMLParserimportHTMLParser
fromreimportsub
fromsysimportstderr
fromtracebackimportprint_exc
class_DeHTMLParser(HTMLParser):
def__init__(self):
HTMLParser.__init__(self)
self.__text=[]
defhandle_data(self,data):
text=data.strip()
iflen(text)>0:
text=sub('[\t\r\n]+','',text)
self.__text.append(text+'')
defhandle_starttag(self,tag,attrs):
iftag=='p':
self.__text.append('\n\n')
eliftag=='br':
self.__text.append('\n')
defhandle_startendtag(self,tag,attrs):
iftag=='br':
self.__text.append('\n\n')
deftext(self):
return''.join(self.__text).strip()
defdehtml(text):
try:
parser=_DeHTMLParser()
parser.feed(text)
parser.close()
returnparser.text()
except:
print_exc(file=stderr)
returntext
defmain():
text=r'''''
<html>
<body>
<b>Project:</b>DeHTML<br>
<b>Description</b>:<br>
ThissmallscriptisintendedtoallowconversionfromHTMLmarkupto
plaintext.
</body>
</html>
'''
print(dehtml(text))
if__name__=='__main__':
main()
运行结果：
>>>================================RESTART================================
>>>
Project:DeHTML
Description:
ThissmallscriptisintendedtoallowconversionfromHTMLmarkuptoplaintext.
希望本文所述对大家的Python程序设计有所帮助。