python | html2text，一个非常好用的 Python 库！

本文来源公众号“python”，仅用于学术分享，侵权删，干货满满。

原文链接：html2text，一个非常好用的 Python 库！

大家好，今天为大家分享一个非常好用的 Python 库 - html2text。

Github地址：https://github.com/Alir3z4/html2text

在当今互联网时代，HTML格式的网页内容随处可见，但在很多场景下我们需要将这些HTML内容转换为更简洁、更易读的纯文本或Markdown格式。html2text是一个功能强大的Python第三方库，专门用于将HTML文档转换为Markdown格式的纯文本。该库由Aaron Swartz开发，具有出色的HTML解析能力和丰富的自定义选项，广泛应用于网页内容抓取、文档转换、邮件处理等领域。

安装

1、安装方法

html2text库可以通过pip轻松安装，执行以下命令即可完成安装：

pip install html2text

2、验证安装

安装完成后，可以通过以下代码验证是否安装成功：

import html2text
print(html2text.__version__)

如果能正常输出版本号，说明安装成功。

主要特性

• 智能HTML解析：能够准确解析各种复杂的HTML结构

• Markdown输出：将HTML内容转换为标准的Markdown格式

• 丰富的配置选项：支持多种自定义配置，如忽略链接、处理图片等

• Unicode支持：完美支持中文等多语言字符

• 邮件处理：特别优化了对HTML邮件的处理能力

• 轻量级：库文件小巧，依赖简单

基本功能

1、基础HTML转换

html2text最基本的功能是将HTML字符串转换为Markdown格式。这个功能特别适用于处理网页抓取后的内容清理，或者将富文本编辑器生成的HTML内容转换为更简洁的Markdown格式。通过简单的几行代码，就能实现高质量的格式转换。

import html2text

# 创建HTML2Text实例
h = html2text.HTML2Text()

# 准备HTML内容
html_content = """
<h1>这是标题</h1>
<p>这是一个段落，包含<strong>加粗文字</strong>和<em>斜体文字</em>。</p>
<ul>
    <li>列表项1</li>
    <li>列表项2</li>
</ul>
"""

# 转换为Markdown
markdown_text = h.handle(html_content)
print(markdown_text)

2、处理链接和图片

在实际应用中，HTML内容经常包含链接和图片元素。html2text库能够智能地处理这些元素，将链接转换为Markdown链接格式，将图片转换为图片引用格式。

import html2text

h = html2text.HTML2Text()

html_with_media = """
<p>访问<a href="https://www.python.org">Python官网</a>了解更多信息。</p>
<img src="https://example.com/image.jpg" alt="示例图片">
"""

result = h.handle(html_with_media)
print(result)

高级功能

1、自定义配置选项

html2text提供了丰富的配置选项，允许用户根据具体需求定制转换行为。可以控制是否忽略链接、是否保留图片、设置文本宽度等。

import html2text

h = html2text.HTML2Text()

# 配置选项
h.ignore_links = True# 忽略链接
h.ignore_images = True# 忽略图片
h.body_width = 0# 不限制行宽
h.ignore_emphasis = False# 保留强调格式

html_content = """
<h2>产品介绍</h2>
<p>我们的<strong>新产品</strong>具有<em>革命性</em>的特性。</p>
<a href="http://example.com">了解更多</a>
<img src="image.jpg" alt="产品图片">
"""

result = h.handle(html_content)
print(result)

2、批量处理文件

在实际项目中，经常需要批量处理多个HTML文件，通过结合文件操作，可以实现高效的批量转换功能。

import html2text
import os

def batch_convert_html_files(input_dir, output_dir):
    h = html2text.HTML2Text()
    h.body_width = 0
    
    # 确保输出目录存在
    ifnot os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    # 遍历输入目录中的HTML文件
    for filename in os.listdir(input_dir):
        if filename.endswith('.html'):
            input_path = os.path.join(input_dir, filename)
            output_path = os.path.join(output_dir, filename.replace('.html', '.md'))
            
            with open(input_path, 'r', encoding='utf-8') as f:
                html_content = f.read()
            
            markdown_content = h.handle(html_content)
            
            with open(output_path, 'w', encoding='utf-8') as f:
                f.write(markdown_content)
    
    print(f"批量转换完成，共处理文件: {len(os.listdir(input_dir))} 个")

# 使用示例
# batch_convert_html_files('html_files', 'markdown_files')

总结

html2text是一个功能强大且易于使用的Python库，为HTML到Markdown的转换提供了完善的解决方案。不仅支持基础的HTML解析和转换功能，还提供了丰富的配置选项来满足不同场景的需求。无论是简单的文本提取，还是复杂的批量文档处理，html2text都能胜任。其轻量级的特性和出色的Unicode支持使其成为处理多语言HTML内容的理想选择。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。