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：
复制代码 代码如下:>>> 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:
复制代码 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。