使用html5lib将HTML片段转换为纯文本

Question

有没有简单的方法可以使用Python库html5lib，把像这样的内容：

<p>Hello World. Greetings from <strong>Mars.</strong></p>

转换成

Hello World. Greetings from Mars.

Answer 1

你可以把itertext()方法的结果连接在一起。

举个例子：

import html5lib
d = html5lib.parseFragment(
        '<p>Hello World. Greetings from <strong>Mars.</strong></p>')
s = ''.join(d.itertext())
print(s)

输出结果：

Hello World. Greetings from Mars.

Answer 2

我使用 html2text 这个工具，它可以把网页内容转换成纯文本（用Markdown格式）。

from html2text import HTML2Text
handler = HTML2Text()

html = """Lorem <i>ipsum</i> dolor sit amet, <b>consectetur adipiscing</b> elit.<br>
          <br><h1>Nullam eget \r\ngravida elit</h1>Integer iaculis elit at risus feugiat:
          <br><br><ul><li>Egestas non quis \r\nlorem.</li><li>Nam id lobortis felis.
          </li><li>Sed tincidunt nulla.</li></ul>
          At massa tempus, quis \r\nvehicula odio laoreet.<br>"""
text = handler.handle(html)

>>> text
u'Lorem _ipsum_ dolor sit amet, **consectetur adipiscing** elit.\n\n  \n\n# Nullam eget gravida elit\n\nInteger iaculis elit at risus feugiat:\n\n  \n\n  * Egestas non quis lorem.\n  * Nam id lobortis felis.\n  * Sed tincidunt nulla.\nAt massa tempus, quis vehicula odio laoreet.\n\n'

Answer 3

使用 lxml 作为解析器后端：

import html5lib

body = "<p>Hello World. Greetings from <strong>Mars.</strong></p>"
doc = html5lib.parse(body, treebuilder="lxml")
print doc.text_content()

老实说，这其实有点作弊，因为它等同于下面的代码（只有相关部分有所更改）：

from lxml import html
doc = html.fromstring(body)
print doc.text_content()

如果你真的想使用 html5lib 解析引擎：

from lxml.html import html5parser
doc = html5parser.fromstring(body)
print doc.xpath("string()")