chm 转化为 html 转化为 txt

最新推荐文章于 2022-02-25 08:40:05 发布

weixin_42001089

最新推荐文章于 2022-02-25 08:40:05 发布

阅读量806

点赞数

分类专栏： python chm html

本文链接：https://blog.csdn.net/weixin_42001089/article/details/109155593

版权

python 同时被 3 个专栏收录

13 篇文章

订阅专栏

chm

1 篇文章

订阅专栏

html

1 篇文章

订阅专栏

本文介绍了一款实用脚本工具，该工具可以将CHM格式文件转换为TXT文本，并进一步将其中的HTML内容提取出来转化为Excel文件。此过程涉及文件读取、HTML标签去除、文本标准化等步骤，适用于批量处理技术文档。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# -*- coding: utf-8 -*-
# @Time    : 2020/10/16 14:09 PM
# @Author  : yangkaitong
# @FileName: preprocessing.py

######################################################################
##    win下bat运行该命令,会将chm转化为txt，部分会转化成html            ##
##      hh -decompile   D:\Desktop\  123.chm                        ##
##    遗憾的是部分会是html，所以该脚本旨在转化html为excel              ##
######################################################################

import re
import os
import pandas as pd


def normalizing(text:str):
    new_text = []
    line = text.split("\n")
    drop_line_flag = ["Top&nbsp","&nbsp;","Previous&nbsp;","body","Next"]
    replace_line_flag = ["&#63;"]
    def drop_flag(cur_line):
        for flag in drop_line_flag:
            if flag in cur_line:
                return True
        return False
    for cur_line in line:
        cur_line = cur_line.strip()
        if cur_line == "":
            continue
        elif drop_flag(cur_line):
            continue
        elif len(new_text)>0 and cur_line in new_text[-1]:
            continue
        else:
            for flag in replace_line_flag:
                cur_line = cur_line.replace(flag,"")
            new_text.append(cur_line)
    return "".join(new_text)


def html_tag_rm(content: str):
    dr = re.compile(r'<[^>]+>',re.S)
    return dr.sub('',content)


def read_htm(file):
    htmlf = open(file,'r')
    htmlcont = htmlf.read()
    return htmlcont

    
def get_text(file):
    html = read_htm(file)
    text = html_tag_rm(html)
    text = normalizing(text)
    return text


def htm2csv(path,save_path):
    #path html总目录
    #最后保存的excel文件路径
    temp_list_text = []
    temp_list_filename = []
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isfile(file_path):
            text = get_text(file_path)
            if text!="":
                temp_list_text.append(text)
                temp_list_filename.append(file)
        else:
            print("%s 不存在"%file_path)
    temp_dict = {'file_name': temp_list_filename,'text': temp_list_text}
    df = pd.DataFrame(temp_dict)
    df.to_excel(save_path)


if __name__ == '__main__':
    path = "data_dir"
    save_path = r"result.xlsx"
    htm2csv(path,save_path)