如何在 Python 中有效率地從 HTML 中提取乾淨的文字？

使用 Python 從 HTML 擷取文字

您的目標是使用 Python 從 HTML文件中提取文本，複製您獲得的輸出通過從瀏覽器複製文本並將其粘貼到文本中

挑戰

正則表達式對於格式不良的HTML來說不夠強大。雖然 Beautiful Soup 經常被推薦，但它可能會擷取 JavaScript 等不需要的內容，並且無法解釋 HTML 實體。

有希望的替代方案：html2text

儘管它產生 markdown 而不是純文本，html2text 可以正確處理 HTML 實體並忽略 JavaScript。然而，它的文檔和示例是有限的。

文字擷取的最佳程式碼

下面的程式碼提供了一個有效的解決方案，可以過濾掉不需要的元素並保留HTML 實體：

依賴

使用這個程式碼，您需要安裝BeautifulSoup4：

以上是如何在 Python 中有效率地從 HTML 中提取乾淨的文字？的詳細內容。更多資訊請關注PHP中文網其他相關文章！