[Python]HTML转换为TXT的脚本

本文介绍了一个简单的Python程序,用于将HTML文件转换为纯文本格式。该程序利用自定义的HTML解析器提取HTML文件中的文本内容,并通过特定的编码转换进行处理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 from formatter import AbstractFormatter, NullWriter
 2 from htmllib import HTMLParser
 3 
 4 def _(str, in_encoder="gbk", out_encoder="utf8"):
 5     return unicode(str, in_encoder).encode(out_encoder)
 6 
 7 
 8 class myWriter(NullWriter):
 9     def __init__(self):
10         NullWriter.__init__(self)
11         self._bodyText = []
12 
13     def send_flowing_data(self, str):
14         self._bodyText.append(str)
15 
16     def _get_bodyText(self):
17         return '/n'.join(self._bodyText)
18 
19     bodyText = property(_get_bodyText, None, None, 'plain text from body')
20 
21 class myHTMLParser(HTMLParser):
22     def do_meta(self, attrs):
23         self.metas = attrs
24 
25 def convertFile(filename):
26     mywriter = myWriter()
27     absformatter = AbstractFormatter(mywriter)
28     parser = myHTMLParser(absformatter)
29     parser.feed(open(filename).read())
30     return ( _(parser.title), parser.formatter.writer.bodyText )
31 
32 import os
33 import os.path
34 
35 OUTPUTDIR = "./txt"
36 INPUTDIR = "."
37 if __name__ == "__main__":
38     if not os.path.exists(OUTPUTDIR):
39         os.mkdir(OUTPUTDIR)
40 
41     for file in os.listdir(INPUTDIR):
42         if file[-4:] == '.htm':
43             print "Coverting", file,
44             outfilename, text = convertFile(file)
45             outfilename = outfilename + '.txt'
46             outfullname = os.path.join(OUTPUTDIR, outfilename)
47             open(outfullname, "wt").write(text)
48             print "Done!"
49  

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值