Extraction de texte à partir de fichiers HTML à l’aide de Python

Question

Je voudrais extraire le texte à partir d'un fichier HTML à l'aide de Python. Je veux essentiellement la même sortie que je voudrais faire si j'ai copié le texte à partir d'un navigateur et collé dans le bloc-notes.

J'aimerais quelque chose de plus robuste que l'utilisation d'expressions régulières qui peut échouer sur HTML mal formé. J'ai vu beaucoup de gens recommandent Belle Soupe, mais j'ai eu quelques problèmes à l'utiliser. Pour l'un, il a ramassé le texte non désiré, comme source JavaScript. Aussi, il n'a pas à interpréter en entités HTML. Par exemple, je m'attends ' en source HTML à être converti en une apostrophe dans le texte, comme si j'avais collé le contenu d'un navigateur dans le bloc-notes.

Mise à jour html2text semble prometteur. Il gère les entités HTML correctement et ignore JavaScript. Cependant, elle ne correspond pas exactement produire de texte en clair; il produit des démarques qui devrait par la suite être transformé en texte brut. Il est livré avec aucun des exemples et de la documentation, mais le code a l'air propre.

---

Questions connexes:

• Filtrer les balises HTML et de résoudre les entités en python
• Convertir XML/HTML Entités en Chaîne Unicode en Python

Answer 1

Le meilleur morceau de code que j’ai trouvé pour l’extraction de texte sans avoir javascript ou pas voulu les choses :

Il suffit d’installer BeautifulSoup avant :

Answer 2

html2text est un programme Python qui fait un bon travail à cela.

Answer 3

Utilisation NLTK

J’ai perdu mes 4-5 heures les points de fixation avec html2text. Heureusement j’ai pu rencontrer NLTK.
Cela fonctionne comme par magie.

Answer 4

Me trouvai face à la même problème aujourd'hui. J’ai écrit un analyseur HTML très simple pour enlever le contenu entrant de toutes les annotations, le reste du texte avec seulement un minimum de mise en forme de retour.

Answer 5

Vous pouvez utiliser également méthode html2text dans la bibliothèque de stripogram.

Pour installer stripogram exécutez sudo easy_install stripogram