我需要从超文本标记语言文档中获取纯文本,同时将<br>元素作为换行符。BeautifulSoup.text不处理<br>和换行符。HTML2Text相当不错,但它会转换为markdown。我还能怎么做呢?
发布于 2013-06-10 00:43:02
我喜欢使用下面的方法。您可以在将字符串传递给strip_tags(html)之前对其执行手动.replace('<br>','\r\n'),以支持新行。
from HTMLParser import HTMLParser
class MLStripper(HTMLParser):
def __init__(self):
self.reset()
self.fed = []
def handle_data(self, d):
self.fed.append(d)
def get_data(self):
return ''.join(self.fed)
def strip_tags(html):
s = MLStripper()
s.feed(html)
return s.get_data()发布于 2013-06-10 00:40:06
您可以剥离标签并将其替换为空格(如果需要):
import re
myString = re.sub(r"<(/)?br(/)?>", "\n", myString)
myString = re.sub(r"<[^>]*>", " ", myString)https://stackoverflow.com/questions/17011732
复制相似问题