Project: DeHTML
Description:
This small script is intended to allow conversion from HTML markup to
plain text.
'\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.
如果觉得nltk太笨重，大材小用的话，可以自己写代码，以下代码转自：http://stackoverflow.com/questions/328356/extracting-text-from-html-file-using-python
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):
parser = _DeHTMLParser()
parser.feed(text)
parser.close()
return parser.text()
except:
print_exc(file=stderr)
return text
def main():
text = r'''
<b>Project:</b> DeHTML<br>
<b>Description</b>:<br>
This small script is intended to allow conversion from HTML markup to
plain text.
</body>
</html>
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.
真是前人栽树，后人乘凉，不禁想起了一幅画：
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'''
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：
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””’
<b>Project:</b> DeHTML<br>
<b>Description</b>:<br
夹以及子目录、子目录里面的 ，获取到该目录下所有的【.html】文件后，返回一个list对象
2、遍历完成后得到一个html文件列表对象，将该列表交给html_to_txt方法，html_to_txt方法
里面循环逐个读取html文件中指定标签中标签中标签中的文字，和中指定标签
里面标签的文字提取出来
3、读取到的文本内容输出到txt文件中，这里可以加上一个替换replac
最近在ubuntu linux下混,可惜CppBlog下的FreeTextBox用firefox一打开就假死,而TextBox又不支持文本转html(主要是没有加换行),于是就写了一个脚本.
在/usr/bin中新建一个快捷方式,名为txt2htm,然后在属性中设为可执行,就可以用了 用法如
txt2htm xxx.txt
为了方便起见,大家可以新建一个后缀为txt的文件,点右键,选打开...
def html_to_plain_text(html):
text = re.sub('<head.*?>.*?</head>', '', html, flags=re.M | re.S | re.I)
text = ...
