Python，获取html文档的文本值

Question

我的问题很简单，我有一个包含html标签的字符串我只想从该字符串中获取实际的文本值，例如:

html 字符串:

<strong><p> hello </p><p> world </p></strong>

文本值: Hello World

有没有一个函数可以做到这一点？

Answer 1

您可以使用BeautifulSoup的 get_text() 函数:

from bs4 import BeautifulSoup


text = "<strong><p> hello </p><p> world </p></strong>"

soup = BeautifulSoup(text)
print soup.get_text()  # prints " hello  world "

或者，您可以使用nltk :

import nltk


text = "<strong><p> hello </p><p> world </p></strong>"
print nltk.clean_html(text)  # prints "hello world"

另一个选择是使用 html2text ，但它的行为有点不同:例如strong 替换为 *。

另请参阅相关帖子:Extracting text from HTML file using Python

希望有帮助。