Python中，得到一個HTML文檔的文本值

Question

我的問題很簡單，我有一個包含HTML標籤 ，我只是想從該字符串，例如實際文本值的字符串：

HTML字符串：

<strong><p> hello </p><p> world </p></strong> 

文本值：你好世界

有沒有能夠做到這一點的功能？

Answer 1

您可以使用BeautifulSoup的get_text()功能：

from bs4 import BeautifulSoup 


text = "<strong><p> hello </p><p> world </p></strong>" 

soup = BeautifulSoup(text) 
print soup.get_text() # prints " hello world " 

或者，你可以使用nltk：

import nltk 


text = "<strong><p> hello </p><p> world </p></strong>" 
print nltk.clean_html(text) # prints "hello world" 

另一種選擇是使用html2text，但它的行爲有點defferently：例如strong被替換爲*。

另見相關主題：Extracting text from HTML file using Python

希望有所幫助。