python - 使用 html5lib 将 HTML 片段转换为纯文本

Question

有没有一种简单的方法可以使用 Python 库 html5lib 来转换如下内容:

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

到

Hello World. Greetings from Mars.

Answer 1

以 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()

说实话，这实际上是作弊，因为它等同于以下内容(仅更改了相关部分):

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

如果你真的想要html5lib解析引擎:

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