python - 如何在 Python 中将 HTML 转换为没有标记的文本？

Question

我需要在遵守 <br> 的同时从 HTML 文档中获取纯文本元素作为换行符。 BeautifulSoup.text不处理 <br>和换行符。 HTML2Text 非常好，但它会转换为 markdown。我还能如何解决这个问题？

Answer 1

我喜欢用下面的方法。你可以做一个手册.replace('<br>','\r\n')在将其传递给 strip_tags(html) 之前在字符串上兑现新线路。

来自 this question :

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()