仅使用Python标准库将html转换为文本

Question

我正在寻找将HTML转换为文本的最佳方法，只使用Python2.7.x标准库中的模块。(即无BeautifulSoup等)

我所说的HTML-to-text转换在道德上等同于lynx -dump。实际上，只要智能地去掉HTML标记，并将所有HTML实体转换为ASCII (或UTF8编码的unicode)，就足够了。

请不要使用基于正则表达式的答案。(正则表达式无法完成任务。)

谢谢!

Answer 1

从2.2开始，Python就有了。它不是最有效也不是最简单的用法，但它确实存在……

如果您正在处理正确的XHTML (或者您可以通过Tidy传递它)，那么可以使用更好的

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")

您仍然可以扩展这个想法，让它从HTML文件中提取更多内容。

Answer 3

我还建议你去看看html2text。

还要看一下另一个thread