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 HTMLParserclass MLStripper(HTMLParser):&nbsp; &nbsp; def __init__(self):&nbsp; &nbsp; &nbsp; &nbsp; self.reset()&nbsp; &nbsp; &nbsp; &nbsp; self.fed = []&nbsp; &nbsp; def handle_data(self, d):&nbsp; &nbsp; &nbsp; &nbsp; self.fed.append(d)&nbsp; &nbsp; def get_data(self):&nbsp; &nbsp; &nbsp; &nbsp; return ''.join(self.fed)def strip_tags(html):&nbsp; &nbsp; s = MLStripper()&nbsp; &nbsp; s.feed(html)&nbsp; &nbsp; 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 remyString = re.sub(r"<(/)?br(/)?>", "\n", myString)myString = re.sub(r"<[^>]*>", " ", myString)