首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >如何在Python中将HTML转换为没有标记的文本?

问如何在Python中将HTML转换为没有标记的文本?
EN

Stack Overflow用户
提问于 2013-06-10 00:33:07
回答 2查看 310关注 0票数 4

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?

EN

回答 2

Stack Overflow用户

回答已采纳

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。

来自this question

代码语言:javascript
复制
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()
票数 4
EN

Stack Overflow用户

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):

代码语言:javascript
复制
import re

myString = re.sub(r"<(/)?br(/)?>", "\n", myString)
myString = re.sub(r"<[^>]*>", " ", myString)
票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/17011732

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档