python html2text庫將HTML文檔轉(zhuǎn)換為純文本格式使用示例探索

更新時間：2024年01月25日 08:45:12 作者：聰聰

這篇文章主要為大家介紹了python html2text庫將HTML文檔轉(zhuǎn)換為純文本格式使用示例探索,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪

引言

今天給大家分享一個超實用的python庫——html2text

https://github.com/Alir3z4/html2text

什么是html2text？

html2text是一個Python庫，它能夠?qū)TML文檔轉(zhuǎn)換為純文本格式。這意味著所有的HTML標簽、樣式和腳本都會被移除，只留下干凈、易讀的文本內(nèi)容。對于不熟悉HTML結(jié)構(gòu)的小白用戶來說，html2text提供了一個簡單直接的方式來獲取網(wǎng)頁中的文本信息。

安裝html2text

在開始使用html2text之前，你需要確保它已經(jīng)安裝在你的計算機上。安裝過程非常簡單，只需打開命令行工具并輸入以下命令：

pip install html2text

這條命令會從Python的包管理工具pip中下載并安裝html2text庫。

使用示例一：基本用法

讓我們從一個簡單的例子開始。假設你有一段HTML代碼，想要轉(zhuǎn)換為純文本。以下是如何使用html2text來實現(xiàn)這一目標的步驟：

import html2text
# 假設這是你要轉(zhuǎn)換的HTML代碼
html_code = """
<html>
  <head>
    <title>我的博客</title>
  </head>
  <body>
    <h1>歡迎來到我的博客</h1>
    <p>這里有很多有趣的技術文章。</p>
    <a  rel="external nofollow" >點擊這里</a>了解更多。
  </body>
</html>
"""
# 創(chuàng)建一個html2text對象
h = html2text.HTML2Text()
# 轉(zhuǎn)換HTML為純文本
text = h.handle(html_code)
# 打印轉(zhuǎn)換后的文本
print(text)

在上面的代碼中，我們首先導入了html2text庫。然后創(chuàng)建了一個html2text對象，并使用handle方法將HTML代碼轉(zhuǎn)換為純文本。最后，我們打印出了轉(zhuǎn)換后的文本。你會看到，原來的HTML標簽都不見了，只留下了干凈的文本內(nèi)容。

使用示例二：處理網(wǎng)絡上的HTML頁面

除了處理本地的HTML代碼，html2text也能夠處理網(wǎng)絡上的HTML頁面。以下是一個如何從網(wǎng)絡上獲取HTML并轉(zhuǎn)換為純文本的例子：

import html2text
import requests
# 目標網(wǎng)頁的URL
url = "https://example.com/some-article"
# 使用requests庫獲取網(wǎng)頁內(nèi)容
response = requests.get(url)
# 確保請求成功
if response.status_code == 200:
    # 獲取HTML內(nèi)容
    html_content = response.text
    # 創(chuàng)建一個html2text對象
    h = html2text.HTML2Text()
    # 轉(zhuǎn)換HTML為純文本
    text_content = h.handle(html_content)
    # 打印轉(zhuǎn)換后的文本
    print(text_content)
else:
    print("網(wǎng)頁請求失敗。狀態(tài)碼：", response.status_code)

在這個例子中，我們使用了requests庫來發(fā)送一個HTTP GET請求到目標網(wǎng)頁，并獲取其HTML內(nèi)容。然后，我們使用html2text的handle方法來轉(zhuǎn)換HTML為純文本，并打印出來。