如何在Python中将HTML转换为无标记的文本？

Question

我需要从HTML文档中获取纯文本，同时将<br>元素视为换行符。BeautifulSoup.text不处理<br>和换行符。HTML2Text非常不错，但是可以转换为markdown。我还能如何处理呢？

Answer 1

我喜欢使用以下方法。您可以.replace('<br>','\r\n')对字符串进行手动操作，然后再将其传递strip_tags(html)给新行。

从这个问题：

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):

    def __init__(self):

        self.reset()

        self.fed = []

    def handle_data(self, d):

        self.fed.append(d)

    def get_data(self):

        return ''.join(self.fed)

def strip_tags(html):

    s = MLStripper()

    s.feed(html)

    return s.get_data()

Answer 2

您可以删除标签，并用空格替换它们（如果需要）：

import re

myString = re.sub(r"<(/)?br(/)?>", "\n", myString)

myString = re.sub(r"<[^>]*>", " ", myString)