Python で HTML コンテンツからテキストを抽出: `HTMLParser` を使用した簡単なソリューション

導入

HTML データを操作する場合、多くの場合、タグをクリーンアップしてプレーン テキストのみを保持する必要があります。データ分析、自動化、または単にコンテンツを読みやすくするためのいずれであっても、このタスクは開発者にとって一般的なものです。

この記事では、組み込みの Python モジュールである HTMLParser を使用して、HTML からプレーン テキストを抽出する簡単な Python クラスを作成する方法を説明します。

---

HTMLParser を使用する理由

HTMLParser は、HTML ドキュメントの解析と操作を可能にする軽量の組み込み Python モジュールです。 BeautifulSoup のような外部ライブラリとは異なり、軽量で、HTML タグのクリーニングなどの単純なタスクに最適です。

---

解決策: 単純な Python クラス

ステップ 1: HTMLTextExtractor クラスを作成する

from html.parser import HTMLParser

class HTMLTextExtractor(HTMLParser):
    """Class for extracting plain text from HTML content."""

    def __init__(self):
        super().__init__()
        self.text = []

    def handle_data(self, data):
        self.text.append(data.strip())

    def get_text(self):
        return ''.join(self.text)

---

このクラスは主に 3 つのことを行います。

1. 抽出されたテキストを保存するためにリスト self.text を初期化します。
2. handle_data メソッドを使用して、HTML タグ間にあるすべてのプレーン テキストをキャプチャします。
3. get_text メソッドを使用してすべてのテキスト フラグメントを結合します。

---

ステップ 2: クラスを使用してテキストを抽出する

クラスを使用して HTML をクリーンアップする方法は次のとおりです。

raw_description = """
<div>
    <h1>Welcome to our website!</h1>
    <p>We offer <strong>exceptional services</strong> for our customers.</p>
    <p>Contact us at: <a href="mailto:contact@example.com">contact@example.com</a></p>
</div>
"""

extractor = HTMLTextExtractor()
extractor.feed(raw_description)
description = extractor.get_text()

print(description)

出力:

Welcome to our website! We offer exceptional services for our customers.Contact us at: contact@example.com

---

属性のサポートの追加

タグ内のリンクなどの追加情報を取得したい場合は、クラスの拡張バージョンを次に示します。

class HTMLTextExtractor(HTMLParser):
    """Class for extracting plain text and links from HTML content."""

    def __init__(self):
        super().__init__()
        self.text = []

    def handle_data(self, data):
        self.text.append(data.strip())

    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for attr, value in attrs:
                if attr == 'href':
                    self.text.append(f" (link: {value})")

    def get_text(self):
        return ''.join(self.text)

拡張出力:

Welcome to our website!We offer exceptional services for our customers.Contact us at: contact@example.com (link: mailto:contact@example.com)

---

## Use Cases

- **SEO**: Clean HTML tags to analyze the plain text content of a webpage.
- **Emails**: Transform HTML emails into plain text for basic email clients.
- **Scraping**: Extract important data from web pages for analysis or storage.
- **Automated Reports**: Simplify API responses containing HTML into readable text.

---

このアプローチの利点

• 軽量: 外部ライブラリは必要ありません。これは Python のネイティブ HTMLParser に基づいて構築されています。
• 使いやすさ: シンプルで再利用可能なクラスにロジックをカプセル化します。
• カスタマイズ可能: 機能を簡単に拡張して、属性や追加のタグ データなどの特定の情報を取得します。

---

## Limitations and Alternatives

While `HTMLParser` is simple and efficient, it has some limitations:

- **Complex HTML**: It may struggle with very complex or poorly formatted HTML documents.
- **Limited Features**: It doesn't provide advanced parsing features like CSS selectors or DOM tree manipulation.

### Alternatives

If you need more robust features, consider using these libraries:

- **BeautifulSoup**: Excellent for complex HTML parsing and manipulation.
- **lxml**: Known for its speed and support for both XML and HTML parsing.

---

結論

このソリューションを使用すると、わずか数行のコードで HTML からプレーン テキストを簡単に抽出できます。個人的なプロジェクトに取り組んでいる場合でも、専門的なタスクに取り組んでいる場合でも、このアプローチは軽量の HTML のクリーニングと分析に最適です。

使用例に、より複雑な HTML や不正な形式の HTML が含まれる場合は、機能を強化するために BeautifulSoup や lxml などのライブラリの使用を検討してください。

このコードをプロジェクトで自由に試して、経験を共有してください。コーディングを楽しんでください! ?

以上がPython で HTML コンテンツからテキストを抽出: `HTMLParser` を使用した簡単なソリューションの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。