如果PyPi上搜html2text的话,找到的是另外一个库:Alir3z4/html2text。这个库是从aaronsw/html2text fork过来,并在此基础上对功能进行了扩展。因此是直接用pip安装的,因此本文主要来讲讲这个库。
首先,进行安装:
pip install html2text
命令行方式使用html2text
安装完后,就可以通过命令html2text进行一系列的操作了。
html2text命令使用方式为:html2text [(filename|url) [encoding]]。通过html2text -h,我们可以查看该命令支持的选项:
--version
显示程序版本号并退出
-h, --help
显示帮助信息并退出
--no-wrap-links
转换期间包装链接
--ignore-emphasis
对于强调,不包含任何格式
--reference-links
使用参考样式的链接,而不是内联链接
--ignore-links
对于链接,不包含任何格式
--protect-links
保护链接不换行,并用尖角括号将其围起来
--ignore-images
对于图像,不包含任何格式
--images-to-alt
丢弃图像数据,只保留替换文本
--images-with-size
将图像标签作为原生html,并带height和width属性,以保留维度
-g, --google-doc
转换一个被导出为html的谷歌文档
-d, --dash-unordered-list
对于无序列表,使用破折号而不是星号
-e, --asterisk-emphasis
对于被强调文本,使用星号而不是下划线
-b BODY_WIDTH, --body-width=BODY_WIDTH
每个输出行的字符数,0表示不自动换行
-i LIST_INDENT, --google-list-indent=LIST_INDENT
Google缩进嵌套列表的像素数
-s, --hide-strikethrough
隐藏带删除线文本。只有当也指定-g的时候才有用
--escape-all
转义所有特殊字符。输出较为不可读,但是会避免极端情况下的格式化问题。
--bypass-tables
以HTML格式格式化表单,而不是Markdown语法。
--single-line-break
在一个块元素后使用单个换行符,而不是两个换行符。注意:要求–body-width=0
--unicode-snob
整个文档中都使用unicode
--no-automatic-links
在任何适用情况下,不要使用自动链接
--no-skip-internal-links
不要跳过内部链接
--links-after-para
将链接置于每段之后而不是文档之后
--mark-code
用复制代码 代码如下:…将代码块标记出来
--decode-errors=DECODE_ERRORS
如何处理decode错误。接受值为'ignore', ‘strict'和'replace'
具体使用如下:
# 传递url html2text http://eepurl.com/cK06Gn # 传递文件名,编码方式设置为utf-8 html2text test.html utf-8
脚本中使用html2text
除了直接通过命令行使用html2text外,我们还可以在脚本中将其作为库导入。
我们以以下html文本为例
html_content = """ <span style="font-size:14px"><a href="http://blog.yhat.com/posts/visualize-nba-pipelines.html" rel="external nofollow" target="_blank" style="color: #1173C7;text-decoration: underline;font-weight: bold;">Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA Data</a></span><br> A tutorial using pandas and a few other packages to build a simple datapipe for getting NBA data. Even though this tutorial is done using NBA data, you don't need to be an NBA fan to follow along. The same concepts and techniques can be applied to any project of your choosing.<br> """
一句话转换html文本为Markdown格式的文本:
import html2text print html2text.html2text(html_content)
输出如下:
[Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA
Data](http://blog.yhat.com/posts/visualize-nba-pipelines.html)"htmlcode">
import html2text h = html2text.HTML2Text() print h.handle(html_content) # 输出同上注意:下面仅展示使用某个配置项时的输出,不使用某个配置项时使用默认值的输出(如无特殊说明)同上。
--ignore-emphasis
指定选项–ignore-emphasis
h.ignore_emphasis = True print h.handle("<p>hello, this is <em>Ele</em></p>")输出为:
hello, this is Ele
不指定选项–ignore-emphasis
h.ignore_emphasis = False # 默认值 print h.handle("<p>hello, this is <em>Ele</em></p>")输出为:
hello, this is _Ele_
--reference-links
h.inline_links = False print h.handle(html_content)输出为:
[Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA
Data][16]"htmlcode">
h.ignore_links = True print h.handle(html_content)输出为:
Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA Data"htmlcode">
h.protect_links = True print h.handle(html_content)输出为:
[Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA
Data](<http://blog.yhat.com/posts/visualize-nba-pipelines.html>)"htmlcode">
h.ignore_images = True print h.handle('<p>This is a img: <img src="/UploadFiles/2021-04-08/hot3.png">输出为:
This is a img:"htmlcode">
h.images_to_alt = True print h.handle('<p>This is a img: <img src="/UploadFiles/2021-04-08/hot3.png">输出为:
This is a img: hot3 ending ...
--images-with-size
h.images_with_size = True print h.handle('<p>This is a img: <img src="/UploadFiles/2021-04-08/hot3.png">输出为:
This is a img: <img src='https://my.oschina.net/img/hot3.png' width='32px'
height='32px' alt='hot3' /> ending ...
--body-width
h.body_width=0 print h.handle(html_content)输出为:
[Data Wrangling 101: Using Python to Fetch, Manipulate & Visualize NBA Data](http://blog.yhat.com/posts/visualize-nba-pipelines.html)"htmlcode">
h.mark_code=True print h.handle('<pre class="hljs css"><code class="hljs css"> <span class="hljs-selector-tag"><span class="hljs-selector-tag">rpm</span></span> <span class="hljs-selector-tag"><span class="hljs-selector-tag">-Uvh</span></span> <span class="hljs-selector-tag"><span class="hljs-selector-tag">erlang-solutions-1</span></span><span class="hljs-selector-class"><span class="hljs-selector-class">.0-1</span></span><span class="hljs-selector-class"><span class="hljs-selector-class">.noarch</span></span><span class="hljs-selector-class"><span class="hljs-selector-class">.rpm</span></span></code></pre>')输出为:
复制代码 代码如下:
"htmlcode">
#-*- coding: utf-8 -*- import sys reload(sys) sys.setdefaultencoding('utf-8') import re import requests from lxml import etree import html2text # 获取第一个issue def get_first_issue(url): resp = requests.get(url) page = etree.HTML(resp.text) issue_list = page.xpath("//ul[@id='archive-list']/div[@class='display_archive']/li/a") fst_issue = issue_list[0].attrib fst_issue["text"] = issue_list[0].text return fst_issue # 获取issue的内容,并转成markdown def get_issue_md(url): resp = requests.get(url) page = etree.HTML(resp.text) content = page.xpath("//table[@id='templateBody']")[0]#'//table[@class="bodyTable"]')[0] h = html2text.HTML2Text() h.body_width=0 # 不自动换行 return h.handle(etree.tostring(content)) subtitle_mapping = { '**From Our Sponsor**': '# 来自赞助商', '**News**': '# 新闻', '**Articles**,** Tutorials and Talks**': '# 文章,教程和讲座', '**Books**': '# 书籍', '**Interesting Projects, Tools and Libraries**': '# 好玩的项目,工具和库', '**Python Jobs of the Week**': '# 本周的Python工作', '**New Releases**': '# 最新发布', '**Upcoming Events and Webinars**': '# 近期活动和网络研讨会', } def clean_issue(content): # 去除‘Share Python Weekly'及后面部分 content = re.sub('\*\*Share Python Weekly.*', '', content, flags=re.IGNORECASE) # 预处理标题 for k, v in subtitle_mapping.items(): content = content.replace(k, v) return content tpl_str = """原文:[{title}]({url}) --- {content} """ def run(): issue_list_url = "https://us2.campaign-archive.com/home/" print "开始获取最新的issue……" fst = get_first_issue(issue_list_url) #fst = {'href': 'http://eepurl.com/dqpDyL', 'title': 'Python Weekly - Issue 341'} print "获取完毕。开始截取最新的issue内容并将其转换成markdown格式" content = get_issue_md(fst['href']) print "开始清理issue内容" content = clean_issue(content) print "清理完毕,准备将", fst['title'], "写入文件" title = fst['title'].replace('- ', '').replace(' ', '_') with open(title.strip()+'.md', "wb") as f: f.write(tpl_str.format(title=fst['title'], url=fst['href'], content=content)) print "恭喜,完成啦。文件保存至%s.md" % title if __name__ == '__main__': run()这是一个每周跑一次的python weekly转markdown的脚本。
好啦,html2text就介绍到这里了。如果觉得它还不能满足你的要求,或者想添加更多的功能,可以fork并自行修改。
更新动态
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]