html - 来自 HTML 的合理纯文本

Question

我需要任意 HTML 文件(例如，博客文章)的纯文本表示。到目前为止这不是问题，有许多 HTML 到 txt 转换器。但是，段落中的文本(阅读“p 元素”)应该在纯 TextView 中对齐(到一定数量的列)，并且如果可能的话，连字符以提供更好的可读性结果。此外，生成的文本文件必须是 UTF-8 或 UTF-16。

我可以使用 XSLT 进行简单的纯文本对话，这几乎是微不足道的。但是文本的合理性超出了它的可能性(不完全正确，因为 XSLT 是图灵完备的，但足够接近现实)。

FOP和 XSL-FO 也不起作用。他们按要求做了，但 FOP 的纯文本输出很糟糕(开发人员说，它不适合这种用途)。

我也尝试过 HTML -> XSLT -> Roff，但我仍然坚持使用 groff，它的 Unicode 支持远非最佳。由于存在诸如省略号 ("...") 和打印正确的引号之类的字符，因此在 XSLT 样式表中告诉 groff 数十个 Unicode 字符的转义序列非常麻烦。

另一种方法可能是转换为 TeX 并输出为纯文本，但我以前从未在 (La)TeX 上尝试过。

也许我错过了一些非常简单的事情。有谁知道我如何实现上述目标？顺便说一句:解决方案应该最好在没有 root 权限的情况下使用 PHP、Python、Perl、XSLT 或在半正经的 Linux 发行版中找到的任何程序。

Answer 1

试试 Python。使用 BeautifulSoup解析 HTML。 textwrap module将允许您格式化文本。

不过，缺少两个功能。为了使文本对齐，您需要在每一行中添加空格，但这应该不是什么大问题(请参阅 this code example)。

对于断字，请尝试 this project .