时间戳

首页 > 解决方案 > 如何在 Python 中将 HTML 转换为文本？

python - 如何在 Python 中将 HTML 转换为文本？

问题描述

我知道这个问题有很多答案，但其中很多已经过时了，当我找到一个“有效”的答案时，它的效果还不够好。

这是我当前的代码：

import requests
from bs4 import BeautifulSoup

url = "http://example.com"

req = requests.get(url)


html = req.text


PlainText = BeautifulSoup(html, 'lxml')
print (PlainText.get_text())

这是我得到的输出：


Example Domain




    body {
        background-color: #f0f0f2;
        margin: 0;
        padding: 0;
        font-family: -apple-system, system-ui, BlinkMacSystemFont, "Segoe UI", "Open Sans", "Helvetica Neue", Helvetica, Arial, sans-serif;

    }
    div {
        width: 600px;
        margin: 5em auto;
        padding: 2em;
        background-color: #fdfdff;
        border-radius: 0.5em;
        box-shadow: 2px 3px 7px 2px rgba(0,0,0,0.02);
    }
    a:link, a:visited {
        color: #38488f;
        text-decoration: none;
    }
    @media (max-width: 700px) {
        div {
            margin: 0 auto;
            width: auto;
        }
    }




Example Domain
This domain is for use in illustrative examples in documents. You may use this
    domain in literature without prior coordination or asking for permission.
More information...

这是我想要的输出：

Example Domain
This domain is for use in illustrative examples in documents. You may use this domain in literature without prior coordination or asking for permission.

More information...

我怎样才能只从网站打印出我可以阅读的文本？

标签： pythonhtmltextbeautifulsoup

解决方案

这是一个 python 程序，它使用一个函数来删除 < 标签和 > 标签之间的所有内容，并仅返回不在这些标签之间的文本。

def striphtmltags(s):
    b=True
    r=''
    for i in range(0, len(s)):
        if(s[i]=='<'): b=False
        if(b): r+=s[i]  
        if(s[i]=='>'): b=True
    return(r.strip())   

html="<html><body><h1>this is the header</h1>this is the main body<font color=blue>this is blue</font><h6>this is the footer</h6></body></html>"
text=striphtmltags(html)

print("text:", text)

这会产生：

text: this is the headerthis is the main bodythis is bluethis is the footer

推荐阅读