Python 将 HTML 转换为纯文本 TXT （HTML 文本提取）

Python HTML转TXT文本提取方法

原创于 2025-09-26 14:04:45 发布 · 1.3k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#python #html #开发语言 #vscode

Python 同时被 2 个专栏收录

64 篇文章

订阅专栏

Python Doc

47 篇文章

订阅专栏

1. 引言

在数据处理、内容提取、网页归档等任务中，经常需要将 HTML 转换为纯文本 TXT。常见需求包括去除 HTML 标签，保留文本内容，保留段落、列表等基本结构。

本文将介绍如何用 Python 和 Free Spire.Doc 库完成 HTML 到 TXT 的转换。

2. 转换原理

HTML 转 TXT 的本质是解析 HTML 文档对象模型（DOM），提取其中的文本节点，再按需要的格式输出。
常用方法有两类：

纯解析器（如 BeautifulSoup、lxml）：快速、轻量，但需要自己处理换行和缩进。
文档模型类库（如 Free Spire.Doc）：加载 HTML 到文档对象，再导出为 TXT，结构保留更好。

3. 环境准备

安装 Free Spire.Doc for Python：

pip install Spire.Doc.free

注意点击查看免费版的限制

4. 基本实现

4.1 HTML 文件 → TXT 文件

下面是一个将 HTML 文件转换为 TXT 文本的简单示例：

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

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

# 另存为TXT文件
document.SaveToFile("Html文件转TXT.txt", FileFormat.Txt)
document.Close()

核心代码：

LoadFromFile()：加载 HTML 文件。FileFormat.Html 表示文件格式为 HTML。
SaveToFile()：将文档保存为 TXT 格式。FileFormat.Txt 表示保存为纯文本。

输出结果：
HTML文件转文本

4.2 HTML 字符串 → TXT 文件

若 HTML 内容已在内存中（如接口返回、爬虫抓取结果），可使用该方法：

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

# 指定HTML字符串
sample_html = """
<html>
<head><title>示例页面</title></head>
<body>
    <h1>欢迎来到我的网站</h1>
    <p>这是一个段落文本。</p>
    <ul>
        <li>项目1</li>
        <li>项目2</li>
        <li>项目3</li>
    </ul>
</body>
</html>
"""

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

# 另存为TXT
document.SaveToFile("Html字符串转TXT.txt", FileFormat.Txt)
document.Close()