使用Python将HTML呈现为纯文本

Question

我正在尝试使用BeautifulSoup转换一大块HTML文本.这是一个例子:

<div>
    <p>
        Some text
        <span>more text</span>
        even more text
    </p>
    <ul>
        <li>list item</li>
        <li>yet another list item</li>
    </ul>
</div>
<p>Some other text</p>
<ul>
    <li>list item</li>
    <li>yet another list item</li>
</ul>

我尝试过这样的事情:

def parse_text(contents_string)
    Newlines = re.compile(r'[\r\n]\s+')
    bs = BeautifulSoup.BeautifulSoup(contents_string, convertEntities=BeautifulSoup.BeautifulSoup.HTML_ENTITIES)
    txt = bs.getText('\n')
    return Newlines.sub('\n', txt)

...但是那样我的span元素总是在新的一行上.这当然是一个简单的例子.有没有办法让HTML页面中的文本在浏览器中呈现的方式(不需要css规则,只有常规的div,span,li等元素呈现)？

Answer 1

BeautifulSoup是一个抓取库,因此它可能不是进行HTML渲染的最佳选择.如果使用BeautifulSoup不是必需的,你应该看看html2text.例如:

import html2text
html = open("foobar.html").read()
print html2text.html2text(html)

这输出:

Some text more text even more text

  * list item
  * yet another list item

Some other text

  * list item
  * yet another list item

Answer 2

我在尝试解析呈现的 HTML 时遇到了同样的问题。基本上，BS 似乎不是这方面的理想方案。@Del 提供了很棒的 html2text 解决方案。

在一个不同的 SO 问题上：BeautifulSoup get_text 并没有 去除使用 nltk 提到的所有标签和 JavaScript @Helge。不幸的是 nltk 似乎停止了这种方法。

我尝试了 html2text 和 nltk.clean_html 并且对计时结果感到惊讶，因此认为它们值得后人回答。当然，速度在很大程度上取决于数据的内容......

来自@Helge (nltk) 的回答。

import nltk

%timeit nltk.clean_html(html)
was returning 153 us per loop

返回带有渲染 html 的字符串非常有效。这个 nltk 模块甚至比 html2text 还要快，尽管 html2text 可能更健壮。

上面来自@del的回答

betterHTML = html.decode(errors='ignore')
%timeit html2text.html2text(betterHTML)
%3.09 ms per loop