我想用Python从HTML文件中提取文本。我想要基本上相同的输出,如果我将文本从浏览器复制并粘贴到记事本。
我想要比在格式不好的HTML上使用可能失败的正则表达式更健壮的东西。我见过很多人推荐靓汤,但我在使用时遇到了一些问题。一方面,它提取了不需要的文本,比如JavaScript源代码。而且,它没有解释HTML实体。例如,我希望HTML源代码中的&;39;转换为文本中的撇号,就像我将浏览器内容粘贴到记事本中一样。
更新html2text
看起来很有前途。它正确处理HTML实体并忽略JavaScript。但是,它并不完全生成纯文本;它生成的标记必须转换为纯文本。它没有示例或文档,但是代码看起来很干净。
相关问题:
我找到了最好的一段代码,可以在不使用javascript或不需要的情况下提取文本:
你只需要在以下之前安装美偶:
html2text是一个Python程序,在这方面做得非常好。
注意:NTLK不再支持
clean_html
函数原始答案如下,并在评论部分的备选方案。
使用NLTK
我浪费了4-5个小时来解决html2text的问题。幸运的是,我可以遇到NLTK。
它神奇地工作。
相关问题 更多 >
编程相关推荐