HTML 转 TXT

2025年3月17日 | 阅读 7 分钟

在当今时代，数据以各种形式呈现，满足不同的需求和受众。HTML，即超文本标记语言，是网页的基础，负责构建和格式化。然而，有时我们需要将 HTML 内容转换为纯文本，无论是为了提高可读性、数据处理还是与特定框架的兼容性。在本指南中，我们将探讨高效地将 HTML 转换为文本的方法和工具。

为何要将 HTML 转换为文本？

在深入研究转换方法之前，让我们先了解一下将 HTML 转换为文本的理由。

可读性：与 HTML 相比，基于文本的内容更易于阅读和理解，特别是对于使用屏幕阅读器或仅文本浏览器的用户而言。
数据处理：文本数据更灵活，可以使用各种工具和编程语言进行处理，从而更容易提取特定信息或进行分析。
兼容性：某些框架或应用程序可能不支持 HTML 内容，需要转换为纯文本才能实现无缝集成或显示。

转换方法

有几种方法可用于将 HTML 转换为文本，每种方法都有其自身的优点和用例。

1. 手动转换

最直接的方法是从网页中复制所需内容，然后将其粘贴到记事本或 TextEdit 等文本编辑器中。虽然这种方法很简单，但仅适用于少量文本，并且可能无法保留格式。

代码

 
 <!DOCTYPE html>
<html lang = "en">
<head>
    <meta charset = "UTF-8">
    <title> Sample Page </title>
</head>
<body>
    <h1> Welcome to My Website </h1>
    <p> This is a sample paragraph. </p>
    <ul>
        <li> Item 1 </li>
        <li> Item 2 </li>
    </ul>
</body>
</html>  

输出

2. 使用网络爬虫库

可以使用 BeautifulSoup (Python) 或 Scrapy 等网络爬虫库来提取更多的 HTML 内容。这些库可以解析 HTML 文档并自动提取所需文本内容，从而提供对提取过程更多的控制。

代码

 
 from bs4 import BeautifulSoup

# HTML Content
html_content = """
<!DOCTYPE html>
<html lang = "en">
<head>
    <meta charset = "UTF-8">
    <title> Sample Page </title>
</head>
<body>
    <h1> Welcome to My Website </h1>
    <p> This is a sample paragraph. </p>
    <ul>
        <li> Item 1 </li>
        <li> Item 2 </li>
    </ul>
</body>
</html>
"""

# Parse HTML and extract text
soup = BeautifulSoup( html_content, ' html.parser ' )
text_content = soup.get_text()

print( text_content ) 

输出

3. 在线转换工具

各种在线工具提供 HTML 到文本的转换服务，允许用户输入 URL 或直接上传 HTML 文件进行转换。用户在使用在线工具时应谨慎，以确保其数据的安全性和隐私性。

在线工具允许您直接输入 HTML 代码或提供 URL 来将 HTML 转换为文本。只需将 HTML 代码粘贴到工具的界面中，或提供您要转换的网页的 URL，然后点击“转换”按钮。该工具将生成文本输出，您可以根据需要复制并使用。

4. 命令行工具

Lynx 或 Pandoc 等命令行工具可以直接从终端将 HTML 文档转换为文本。这些工具提供了灵活性，并且可以集成到自动化工作流程或脚本中。

您可以使用命令行工具直接从终端将 HTML 转换为文本。例如，使用 pandoc：

此命令将名为 input.html 的 HTML 文件转换为纯文本，并将输出保存到名为 output.txt 的文件中。

5. 编程 API

Python 等编程语言提供了用于 HTML 到文本转换的库和 API，例如 HTML2text 或 HTML2textile。这些库非常有用，并且可以根据特定需求进行定制。

代码

 
 import html2text

# HTML Content
html_content = """
<!DOCTYPE html>
<html lang = "en" >
<head>
    <meta charset = "UTF-8">
    <title> Sample Page </title>
</head>
<body>
    <h1> Welcome to My Website </h1>
    <p> This is a sample paragraph. </p>
    <ul>
        <li> Item 1 </li>
        <li> Item 2 </li>
    </ul>
</body>
</html>
"""

# Convert HTML to text
text_content = html2text.html2text( html_content )

print( text_content )  

输出

转换注意事项

为了确保转换的准确性和易用性，应考虑以下几个因素。

格式：HTML 文档通常包含标题、列表和表格等格式元素。请考虑这些元素在文本格式中应如何表示，以及是否应保留任何格式。
链接和图片：决定在转换过程中如何处理链接和图片。链接应保留为 URL 还是转换为纯文本？图片应包含为内嵌文本描述吗？
编码：确保文本编码与目标系统或应用程序兼容。UTF-8 通常受支持，并且推荐用于处理多语言内容。
空白和换行符：考虑如何处理空白和换行符，以确保转换后文本的可读性和一致性。

最佳实践

请考虑以下最佳实践，以在将 HTML 转换为文本时获得理想的结果。

测试和验证：始终使用测试 HTML 文件测试转换过程，以确保输出符合预期和要求。
使用特定选择器：在使用网络爬虫库或编程 API 时，使用特定的 CSS 选择器或 XPath 表达式来准确地定位所需的文本内容。
顺畅处理错误：实现错误处理机制，以应对 HTML 结构与预期不符的情况，并确保稳定性和可靠性。
记录转换过程：记录转换过程，包括应用的任何自定义规则或配置，以便于故障排除和未来的维护。

浏览器扩展

浏览器扩展提供了一种在浏览器中直接将网页转换为文本格式的便捷方法。让我们演示一下如何在 Google Chrome 中使用“Textise”浏览器扩展。

演示：使用 Textise Chrome 扩展

从 Chrome Web Store 安装 Textise 扩展。
浏览您想转换为文本的网页。
点击浏览器工具栏中的 Textise 扩展图标。
网页将被转换为纯文本版本，并删除所有格式和图片。
现在您可以查看并保存网页的文本版本。

处理复杂 HTML 的方法

处理复杂的 HTML 结构需要仔细考虑元素的嵌套和样式。让我们通过 Python 中的 BeautifulSoup 来分析一个处理复杂 HTML 的技巧。

演示：使用 BeautifulSoup 处理嵌套元素

代码

 
 from bs4 import BeautifulSoup

# HTML Content with Nested Elements
html_content = """
<!DOCTYPE html>
<html lang = "en" >
<head>
    <meta charset = "UTF ? 8">
    <title> Sample Page </title>
</head>
<body>
    <div class = "container">
        <h1>Welcome to My Website</h1>
        <div class = "content">
            <p>This is a sample paragraph.</p>
            <ul>
                <li> Item 1 </li>
                <li> Item 2 </li>
            </ul>
        </div>
    </div>
</body>
</html>
"""

# Parse HTML and extract specific content
soup = BeautifulSoup(html_content, 'html.parser')
content_div = soup.find('div', class_='content')
text_content = content_div.get_text()

print(text_content)  

输出

移动应用程序

移动应用程序提供了随时随地转换 HTML 到文本的便利性。以下是使用 Android 设备上的“TextOnly”应用程序的演示。

演示：使用 TextOnly 应用程序

在您的 Android 设备上从 Google Play 商店安装 TextOnly 应用程序。
打开 TextOnly 应用程序。
输入您要转换的网页的 URL，或将 HTML 内容粘贴到应用程序中。
点击“转换”按钮。
网页将被转换为纯文本版本，您可以阅读或共享。

保留元数据

保留标题、页脚或其他主要元素的元数据可以在 HTML 到文本的转换过程中提供重要的上下文。让我们通过 Python 中的 BeautifulSoup 来演示保留元数据。

演示：使用 BeautifulSoup 保留元数据

代码

 
From bs4 import BeautifulSoup
# HTML Content with Metadata
html_content = " " "
<!DOCTYPE html>
<html lang = "en" >
<head>
    <meta charset = "UTF-8">
    <title> Sample Page </title>
</head>
<body>
    <header>
        <h1> Welcome to My Website </h1>
    </header>
    <main>
        <p> This is a sample paragraph. </p>
    </main>
    <footer>
        <p> � 2024 My Website </p>
    </footer>
</body>
</html>
"""

# Parse HTML and extract specific content including metadata
soup = BeautifulSoup( html_content , 'html.parser')
text_content = soup.get_text( separator = '\ n', strip = True )

print( text_content )   

输出

处理特殊字符

妥善处理特殊字符对于保持文本输出的完整性至关重要。让我们通过 Python 中的 html.unescape() 函数来演示处理特殊字符。

演示：处理特殊字符

代码

 
import html

# HTML Content with Special Characters
html_content = """
<!DOCTYPE html>
<html lang = "en" >
<head>
    <meta charset = "UTF ? 8" >
    <title> Special Characters </title>
</head>
<body>
    <p> This & amp ; That </p>
</body>
</html>
"""

# Convert HTML entities to special characters
text_content = html.unescape( html_content )

print( text_content )   

输出

隐私和安全注意事项

在使用在线转换工具或第三方服务时，务必考虑隐私和安全影响。让我们来讨论一下在使用在线 HTML 到文本转换工具时的隐私注意事项。

示例：使用受信任的在线转换工具

确保在线转换工具优先考虑数据隐私和加密，以保护敏感信息。寻找 HTTPS 加密、清晰的隐私政策以及转换后删除上传内容的选项等功能。避免需要不必要个人信息或缺乏透明隐私实践的服务。

结论

将HTML 转换为文本在从数据处理到提高可访问性的各种场景中是一项常见的任务。通过利用本指南中讨论的方法和工具，用户可以高效地将 HTML 内容转换为纯文本，同时保持可读性和准确性。无论是通过手动提取、网络爬虫还是编程 API，将 HTML 转换为文本的能力都为数据处理和集成打开了广阔的可能性。

下一主题HTML 中的 Onselect

HTML 转 TXT

为何要将 HTML 转换为文本？

转换方法

1. 手动转换

2. 使用网络爬虫库

3. 在线转换工具

4. 命令行工具

5. 编程 API

转换注意事项

最佳实践

浏览器扩展

处理复杂 HTML 的方法

移动应用程序

保留元数据

处理特殊字符

隐私和安全注意事项

结论

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

HTML 教程

HTML 属性

HTML 标签列表

HTML5 高级

HTML API

HTML 颜色名称

HTML 杂项

选择题

面试题

HTML 转 TXT

为何要将 HTML 转换为文本？

转换方法

1. 手动转换

2. 使用网络爬虫库

3. 在线转换工具

4. 命令行工具

5. 编程 API

转换注意事项

最佳实践

浏览器扩展

处理复杂 HTML 的方法

移动应用程序

保留元数据

处理特殊字符

隐私和安全注意事项

结论

相关帖子

HTML 中的 Container 标签

HTML 字体系列

HTML 压缩器

HTML 中的 p 是什么意思

网页设计与平面设计的区别

HTML 中的制表符空格

如何保存 HTML 文件

如何在 HTML 中更改链接颜色

HTML 中的语义标签

HTML 表格行背景颜色

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器