文档:htm格式转txt

꧂ 两个地方都保存꧁

import os
import codecs
from bs4 import BeautifulSoup

def generate_output_filename(file_path, save_path):
    # 获取文件名(不包含扩展名)
    file_name = os.path.splitext(os.path.basename(file_path))[0]
    # 构造保存路径和文件名
    output_filename = os.path.join(save_path, file_name + '.txt')
    return output_filename

def get_content_from_mht(soup):
    # 从 MHT 文件中提取内容,并返回字符串形式的内容
    # 这里只是示例,您可以根据具体的 MHT 文件结构进行修改
    # 下面的示例代码仅提取 <body> 标签下的文本内容
    body = soup.body
    if body:
        return body.get_text()
    else:
        return ""

def convert_mht_to_txt(path, save_path_1, save_path_2):
    if os.path.isdir(path):
        for root, dirs, files in os.walk(path):
            for file in files:
                if file.endswith('.mht'):
                    file_path = os.path.join(root, file)
                    output_filename_1 = generate_output_filename(file_path, save_path_1)
                    output_filename_2 = generate_output_filename(file_path, save_path_2)
                    with codecs.open(output_filename_1, 'w', 'utf-8') as f_out_1, \
                         codecs.open(output_filename_2, 'w', 'utf-8') as f_out_2:
                        with open(file_path, 'r', encoding='utf-8') as f_in:
                            soup = BeautifulSoup(f_in, 'html.parser')
                            content = get_content_from_mht(soup)
                            f_out_1.write(content)
                            f_out_2.write(content)
    elif os.path.isfile(path) and path.endswith('.mht'):
        output_filename_1 = generate_output_filename(path, save_path_1)
        output_filename_2 = generate_output_filename(path, save_path_2)
        with codecs.open(output_filename_1, 'w', 'utf-8') as f_out_1, \
             codecs.open(output_filename_2, 'w', 'utf-8') as f_out_2:
            with open(path, 'r', encoding='utf-8') as f_in:
                soup = BeautifulSoup(f_in, 'html.parser')
                content = get_content_from_mht(soup)
                f_out_1.write(content)
                f_out_2.write(content)

# 示例用法
path = input("请输入要处理的文件路径:")
save_path_1 = input("请输入第一个保存文件的位置(按回车默认保存):")
save_path_2 = input("请输入第二个保存文件的位置(按回车默认不保存):")

if save_path_1 == '':
    save_path_1 = '/storage/emulated/0/文件/代码print相关/结构图/字符图/'

if save_path_2 == '':
    convert_mht_to_txt(path, save_path_1, save_path_1)
else:
    convert_mht_to_txt(path, save_path_1, save_path_2)

仅适用于处理 .mht 格式的文件。

꧂添加转义成文字 ꧁

如果您想要将转义字符转换为相应的文字形式,可以借助 Python 的内置模块 html。以下是修改后的代码:

import os
import codecs
from bs4 import BeautifulSoup
import html

def generate_output_filename(file_path, save_path):
    # 获取文件名(不包含扩展名)
    file_name = os.path.splitext(os.path.basename(file_path))[0]
    # 构造保存路径和文件名
    output_filename = os.path.join(save_path, file_name + '.txt')
    return output_filename

def get_content_from_mht(soup):
    # 从 MHT 文件中提取内容,并返回字符串形式的内容
    # 这里只是示例,您可以根据具体的 MHT 文件结构进行修改
    # 下面的示例代码仅提取 <body> 标签下的文本内容
    body = soup.body
    if body:
        content = body.get_text()
        # 转义字符转换为相应的文字形式
        content = html.unescape(content)
        return content
    else:
        return ""

def convert_mht_to_txt(path, save_path_1, save_path_2):
    if os.path.isdir(path):
        for root, dirs, files in os.walk(path):
            for file in files:
                if file.endswith('.mht'):
                    file_path = os.path.join(root, file)
                    output_filename_1 = generate_output_filename(file_path, save_path_1)
                    output_filename_2 = generate_output_filename(file_path, save_path_2)
                    with codecs.open(output_filename_1, 'w', 'utf-8') as f_out_1, \
                         codecs.open(output_filename_2, 'w', 'utf-8') as f_out_2:
                        with open(file_path, 'r', encoding='utf-8') as f_in:
                            soup = BeautifulSoup(f_in, 'html.parser')
                            content = get_content_from_mht(soup)
                            f_out_1.write(content)
                            f_out_2.write(content)
    elif os.path.isfile(path) and path.endswith('.mht'):
        output_filename_1 = generate_output_filename(path, save_path_1)
        output_filename_2 = generate_output_filename(path, save_path_2)
        with codecs.open(output_filename_1, 'w', 'utf-8') as f_out_1, \
             codecs.open(output_filename_2, 'w', 'utf-8') as f_out_2:
            with open(path, 'r', encoding='utf-8') as f_in:
                soup = BeautifulSoup(f_in, 'html.parser')
                content = get_content_from_mht(soup)
                f_out_1.write(content)
                f_out_2.write(content)

# 示例用法
path = input("请输入要处理的文件路径:")
save_path_1 = input("请输入第一个保存文件的位置(按回车默认保存):")
save_path_2 = input("请输入第二个保存文件的位置(按回车默认不保存):")

if save_path_1 == '':
    save_path_1 = '/storage/emulated/0/文件/代码print相关/结构图/字符图/'

if save_path_2 == '':
    convert_mht_to_txt(path, save_path_1, save_path_1)
else:
    convert_mht_to_txt(path, save_path_1, save_path_2)

在这个版本的代码中,使用 html.unescape() 函数将转义字符转换为相应的文字形式。这样在保存为文本文件时,转义字符就会以正常的文本形式显示。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值