使用 Python 将 HTML 渲染为纯文本

Question

我正在尝试使用 BeautifulSoup 转换一大段 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>

我尝试做类似的事情：

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)

...但是这样我的 span 元素总是在一个新的行上。这当然是一个简单的例子。有没有办法在 Python 中获取 HTML 页面中的文本，就像它在浏览器中呈现的方式一样（不需要 css 规则，只需常规方式 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。如果不是必须使用 BeautifulSoup，你应该看看html2text。例如：

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

这个输出：

一些文字更多文字甚至更多文字 * 项目清单 * 另一个列表项 其他一些文字 * 项目清单 * 另一个列表项

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 似乎不是这个理想的包。 @Del 提供了很棒的 html2text 解决方案。

关于一个不同的 SO 问题：BeautifulSoup get_text does not strip all tags and JavaScript@Helge 提到使用 nltk。不幸的是，nltk 似乎停止了这种方法。

我尝试了 html2text 和 nltk.clean_html 并且对时间结果感到惊讶，因此认为它们值得为后代提供答案。当然，速度很大程度上取决于数据的内容......

@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 更快，尽管 html2text 可能更健壮。

以上来自@del的回答

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