Python實現(xiàn)HTML文件或字符串轉(zhuǎn)換為純文本TXT

更新時間：2025年09月28日 08:40:09 作者：Eiceblue

在數(shù)據(jù)處理、內(nèi)容提取、網(wǎng)頁歸檔等任務中,經(jīng)常需要將 HTML 轉(zhuǎn)換為純文本 TXT,本文將介紹如何用 Python 和 Free Spire.Doc 庫完成 HTML 到 TXT 的轉(zhuǎn)換,希望對大家有所幫助

1. 引言

在數(shù)據(jù)處理、內(nèi)容提取、網(wǎng)頁歸檔等任務中，經(jīng)常需要將 HTML 轉(zhuǎn)換為純文本 TXT。常見需求包括去除 HTML 標簽，保留文本內(nèi)容，保留段落、列表等基本結(jié)構(gòu)。

本文將介紹如何用 Python 和 Free Spire.Doc 庫完成 HTML 到 TXT 的轉(zhuǎn)換。

2. 轉(zhuǎn)換原理

HTML 轉(zhuǎn) TXT 的本質(zhì)是解析 HTML 文檔對象模型（DOM），提取其中的文本節(jié)點，再按需要的格式輸出。
常用方法有兩類：

純解析器（如 BeautifulSoup、lxml）：快速、輕量，但需要自己處理換行和縮進。
文檔模型類庫（如 Free Spire.Doc）：加載 HTML 到文檔對象，再導出為 TXT，結(jié)構(gòu)保留更好。

3. 環(huán)境準備

安裝 Free Spire.Doc for Python：

pip install Spire.Doc.free

注意點擊查看免費版的限制

4. 基本實現(xiàn)

4.1 HTML 文件 → TXT 文件

下面是一個將 HTML 文件轉(zhuǎn)換為 TXT 文本的簡單示例：

from spire.doc import *
from spire.doc.common import *

# 加載HTML文件
document = Document()
document.LoadFromFile("E:\input.html", FileFormat.Html, XHTMLValidationType.none)

# 另存為TXT文件
document.SaveToFile("Html文件轉(zhuǎn)TXT.txt", FileFormat.Txt)
document.Close()

核心代碼：

LoadFromFile()：加載 HTML 文件。FileFormat.Html 表示文件格式為 HTML。
SaveToFile()：將文檔保存為 TXT 格式。FileFormat.Txt 表示保存為純文本。

輸出結(jié)果：

4.2 HTML 字符串 → TXT 文件

若 HTML 內(nèi)容已在內(nèi)存中（如接口返回、爬蟲抓取結(jié)果），可使用該方法：

from spire.doc import *
from spire.doc.common import *

# 指定HTML字符串
sample_html = """
<html>
<head><title>示例頁面</title></head>
<body>
    <h1>歡迎來到我的網(wǎng)站</h1>
    <p>這是一個段落文本。</p>
    <ul>
        <li>項目1</li>
        <li>項目2</li>
        <li>項目3</li>
    </ul>
</body>
</html>
"""

# 創(chuàng)建文檔
document = Document()
# 在段落中插入字符串
section = document.AddSection()
section.AddParagraph().AppendHTML(sample_html)

# 另存為TXT
document.SaveToFile("Html字符串轉(zhuǎn)TXT.txt", FileFormat.Txt)
document.Close()

輸出結(jié)果：

5. 注意事項

格式保留：轉(zhuǎn)換后的 TXT 會保留 HTML 的段落結(jié)構(gòu)（換行、列表等），但不保留顏色、字體等樣式。
性能：對于超大型 HTML 文件，建議分段處理以避免內(nèi)存占用過高。
復雜 HTML：對于包含大量 JavaScript、CSS 或復雜布局的 HTML，建議先用對文件進行預處理再轉(zhuǎn)換。

使用 Free Spire.Doc for Python 轉(zhuǎn)換 HTML 到 TXT 非常方便，只需幾行代碼即可完成，并且能夠較好地保留原有的文本結(jié)構(gòu)。相比正則表達式或簡單的標簽剝離方法，這種方式更穩(wěn)定可靠。

到此這篇關(guān)于Python實現(xiàn)HTML文件或字符串轉(zhuǎn)換為純文本TXT的文章就介紹到這了,更多相關(guān)Python HTML轉(zhuǎn)TXT內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: