python html解析纯文本_Python转换HTML到Text纯文本的方法

本文实例讲述了Python转换HTML到Text纯文本的方法。分享给大家供大家参考。具体分析如下：

今天项目需要将HTML转换为纯文本，去网上搜了一下，发现Python果然是神通广大，无所不能，方法是五花八门。

拿今天亲自试的两个方法举例，以方便后人：

方法一：

1. 安装nltk，可以去pipy装

(注：需要依赖以下包：numpy, PyYAML)

2.测试代码：

>>> import nltk

>>> aa = r'''''

Project: DeHTML

Description:

This small script is intended to allow conversion from HTML markup to

plain text.

'''

>>> aa

'\n\n           

\n                Project: DeHTML
\n                Description:
\n                This small script is intended to allow conversion from HTML markup to \n                plain text.\n            \n        \n        '

>>> print nltk.clean_html(aa)

Project: DeHTML

Description :

This small script is intended to allow conversion from HTML markup to

plain text.

方法二：

如果觉得nltk太笨重，大材小用的话，可以自己写代码，代码如下:

from HTMLParser import HTMLParser

from re import sub

from sys import stderr

from traceback import print_exc

class _DeHTMLParser(HTMLParser):

def __init__(self):

HTMLParser.__init__(self)

self.__text = []

def handle_data(self, data):

text = data.strip()

if len(text) > 0:

text = sub('[ \t\r\n]+', ' ', text)

self.__text.append(text + ' ')

def handle_starttag(self, tag, attrs):

if tag == 'p':

self.__text.append('\n\n')

elif tag == 'br':

self.__text.append('\n')

def handle_startendtag(self, tag, attrs):

if tag == 'br':

self.__text.append('\n\n')

def text(self):

return ''.join(self.__text).strip()

def dehtml(text):

try:

parser = _DeHTMLParser()

parser.feed(text)

parser.close()

return parser.text()

except:

print_exc(file=stderr)

return text

def main():

text = r'''''

Project: DeHTML

Description:

This small script is intended to allow conversion from HTML markup to

plain text.

'''

print(dehtml(text))

if __name__ == '__main__':

main()

运行结果：

>>> ================================ RESTART ================================

>>>

Project: DeHTML

Description :

This small script is intended to allow conversion from HTML markup to plain text.

希望本文所述对大家的Python程序设计有所帮助。