【技术研究】html转格式化的纯文本_html转换为纯文本,包含换行序号等-CSDN博客

本文链接：https://blog.csdn.net/ziwozizhan/article/details/132950692

本文探讨了如何将HTML转换为保留格式的纯文本，包括使用BeautifulSoup.getText()、html2text、pandoc、selectolax和PyQt5.QTextEdit的方法，并指出它们的不足。最终，作者选择自定义Python代码来支持有限的HTML标签，如<h1>、<p>、<ol>、<ul>、<li>和<span>，以实现所需效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题及说明

将一段html语言描述的文本，转换为保留一定格式的纯文本字符。
保留缩进、序号等。

该效果为自定义代码实现。

实现代码语言为python。

html表示效果图如下：
在这里插入图片描述
纯文本效果如下：

调研

在决定自定义实现上述效果前，对现有技术实现调研结果如下：

BeautifulSoup.getText()

依赖库：pip bs4
在这里插入图片描述
对应的html文本为：

<ol><li>这是<span style="color: rgb(225, 60, 57);"><strong>第1段</strong></span>文本需求.</li><li>这是<u><em>第2段</em></u>文本需求。</li></ol>

测试代码：

 	# 1 --------------    p不换行，ol没有序号
    # soup = BeautifulSoup(html_text, 'html.parser')
    soup = BeautifulSoup(html_text, 'html5lib')  # pip html5lib
    # soup = BeautifulSoup(html_text, 'lxml')
	return soup.getText()

处理效果如下：

没有缩进
没有换行
没有序号

这是第1段文本需求.这是第2段文本需求。

html2text

依赖库：pip html2text
代码：

md = html2text.html2text(html_text)

这是html转markdown文本的库。不是转纯文本的。

pandoc

格式相对较好，但是慢。
对于列表缩进效果不理想。

html样例图：
在这里插入图片描述
html文本：

<div>
    <h1>标题1</h1>
    <h2> &nbsp; &nbsp;标题2（缩进1个tab）</h2>
    <p>有序列表：</p>
    <ol>
        <li>第1段</li>
        <li>第2段</li>
    </ol>
    <p> &nbsp; &nbsp;有序<span style="background-color: rgb(54, 207, 201);">列表</span>：（<span
            style="color: rgb(231, 95, 51);">缩进1个tab</span>）</p>
    <ol>
        <ol>
            <li>第1段</li>
            <li>第2段</li>
        </ol>
    </ol>
    <p>无序列表：</p>
    <ul>
        <li>第一</li>
        <li>第二</li>
    </ul>
    <p> &nbsp; &nbsp;无序列表：（<span style="color: rgb(231, 95, 51);"