批量html转text

批量html转text

（转载请注明来源于金庆的专栏）

原来的代码是参考“Recipe 12.11. Using MSHTML to Parse XML or HTML”，利用htmlfile提取文本。
将当前目录下的所有html文件转换为text文件。

def extractHtmlFile(htmlFilePath):
''' Extracthtmltextandsavetotextfile.
'''
htmlData = file(htmlFilePath, ' r ' ).read()
import win32com.client
html = win32com.client.Dispatch( ' htmlfile ' )
html.writeln(htmlData)
text = html.body.innerText.encode( ' gbk ' , ' ignore ' )
...

但是发现MSHTML解析文件可能会出错，造成文本提取失败。

jigloo经过对10W+个html文件的测试，得出结论，htmlfile的容错比InternetExplorer.Application要差很多。
原文见：http://groups.google.com/group/python-cn/msg/c9221764bcafbc21
他的代码大致如下，IE使用稍烦：

# !/usr/bin/envpython

import sys,os,re,codecs
import time
import win32com.client

class htmlfile:
def __init__ (self):
self. __ie = win32com.client.Dispatch( ' InternetExplorer.Application ' )
self. __ie .Silent = True
self. __filename = ''
self. __document = None

def __del__ (self):
self. __ie .Quit()

def __getdocument (self,filename):
filename = os.path.abspath(filename)
if self. __filename != filename:
self. __filename = filename
self. __ie .Navigate2(filename)
self. __ie .Document.close()
while self. __ie .Document.Body is None:
time.sleep( 0.1 )
self. __document = self. __ie .Document
return self. __document
def gettext(self,filename):
return self. __getdocument (filename).Body.innerText
def gettitle(self,filename):
return self. __getdocument (filename).title

def formattextpath(dir,htmlfile,htmltitle):
''' Formatthetextfilepathandreturn.
'''
fname = htmltitle[: 6 ]
fname = re.sub(r ' (/|/|:|*|?|<|>|||") ' , ' - ' ,fname)
fname = fname + ' _ ' + os.path.splitext(htmlfile)[0] + ' .txt '
return os.path.join(root,fname)

if __name__ == ' __main__ ' :
hf = htmlfile()
for root,dirs,names in os.walk(u ' . ' ):
for name in names:
if name.endswith( ' htm ' ) or name.endswith( ' html ' ):
htmlpath = os.path.join(root,name)
textpath = formattextpath(root,name,hf.gettitle(htmlpath))
print htmlpath, ' -> ' ,textpath
file(textpath, ' wb ' ).write(hf.gettext(htmlpath).encode( ' mbcs ' ))
# Endofif.
# Endofforname.
# Endofforroot.
del hf
# Endofif.

对于我的简单任务，这就足够了。

有一个问题，如果有资源管理器打开着，运行这段代码会关闭资源管理器，并出错退出。比较奇怪，但应该不难解决，可能是IE控件的使用上还有问题。

self.__ie.Document.close()
File "C:/Python25/Lib/site-packages/win32com/client/dynamic.py", line 496, in
__getattr__
raise AttributeError, "%s.%s" % (self._username_, attr)
AttributeError: Document.close