python读取一个txt文档并生成一个html,Python从网页文件获取纯文本并拆分文本文件...

从HTML文件获取纯文本

通过BeautifulSoup获取纯文本

之前是通过BeautifulSoup (bs4)获取纯文本的，简单演示如下：

from bs4 import BeautifulSoup

htmfile = 'myweb.htm'

html = open(htmfile, 'r', encoding='utf-8')

htmlpage = html.read()

soup = BeautifulSoup(htmlpage.strip(), 'html.parser')

print(soup.text)

但是这样做的问题在于，其控制文本的格式或许与浏览器端显示的不一样

浏览器端显示的格式：

2018-06-01 14_36_17-Document.png

bs4抓取的文本格式如下：

2018-06-01 15_06_04-.png

为什么会这样呢？

因为在html源码中，存在这样的换行：

2018-06-01 15_09_30-Document.png

可以理解为bs4仅仅将html中的tag什么的去除了，但是并没有考虑格式与浏览器显示一致。

经过一番搜索，终于找到相应的方