如何使用Python一键转换HTML文档为Markdown或纯文本？-Python教程-PHP中文网

使用HTML,CSS,JavaScript开发Android应用程序英文文字pdf版附源文件

如果你了解HTML，CSS和JavaScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用Java。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更

下载

html2text最稳，不依赖浏览器、支持批量处理且参数可控；需加-b 0禁换行、-g启github模式、--unicode-snob保中文标点，批量命令为for f in *.html; do html2text -b 0 -g --unicode-snob "$f" > "${f%.html}.md"; done。

如何使用python一键转换html文档为markdown或纯文本？

用 `html2text` 转 HTML 为 Markdown 最稳当

直接装 html2text，它专为这个场景设计，不依赖浏览器、不执行 JS、不引入重量级依赖，比 BeautifulSoup + 手动解析快得多，也比 markdownify 更贴近真实写作习惯（比如保留缩进、处理嵌套列表更自然）。

安装和基础用法很简单：

pip install html2text

html2text 默认会把链接转成 [text](url) 格式，表格转成管道语法，代码块加围栏。但要注意几个关键参数：

ignore_links=False（默认）保留链接；设为 True 就只留文字
body_width=0 关键！否则长段落会被自动折行，破坏 Markdown 可读性
single_line_break=True 会让换行符变成单个 \n，适合后续人工润色；默认是双换行，可能多出空行
如果 HTML 含内联样式或 script/style 标签，先用 BeautifulSoup 预清理再喂给 html2text，否则可能生成冗余空行或乱码

提取纯文本优先用 `get_text()`，别硬套 Markdown 工具

如果你只要干净文字（比如喂给 LLM、做日志分析），BeautifulSoup 的 get_text() 是最轻量、最可控的选择。它不关心结构转换，只做语义剥离。

常见误区是拿 html2text 转完再删 Markdown 符号——既慢又容易漏掉隐藏字符（比如零宽空格、）。

实操建议：

用 strip=True 去首尾空白
separator=' ' 把块级元素间空行换成单空格，避免段落粘连
加 types=(bs4.element.NavigableString,) 可跳过注释、CDATA 等干扰节点
遇到 <br> 或 <p></p> 导致的多余换行，用正则后处理比改解析逻辑更可靠：re.sub(r'\n\s*\n', '\n\n', text)

`markdownify` 适合需要保留复杂 HTML 结构的场景

当源 HTML 大量使用自定义 class、嵌套 div、或依赖 CSS 生成内容（如伪元素）时，html2text 会丢信息。markdownify 支持通过 convert_tag 注册自定义转换器，能映射 class 到特定 Markdown 语法（比如把 class="warning" 转成 !!! warning）。

但它有两个硬伤：

默认把所有块级标签当段落处理，导致无序列表前多出空行
对 colspan/rowspan 表格支持弱，容易崩格式
不兼容 Python 3.12+ 的某些 AST 变更（报 AttributeError: 'Constant' object has no attribute 's'），得锁版本到 markdownify==0.11.6

批量处理要防编码错乱和路径陷阱

读文件时别直接用 open(path).read()——HTML 文件常见 gbk、gb2312 编码，Python 默认按 UTF-8 解，必然报 UnicodeDecodeError。

稳妥做法是用 chardet 检测后再读：

import chardet<br>with open(path, 'rb') as f:<br>    raw = f.read()<br>    enc = chardet.detect(raw)['encoding'] or 'utf-8'<br>    html = raw.decode(enc)

还有两个易忽略点：