在处理 HTML 数据时，您经常需要清理标签并仅保留纯文本。无论是用于数据分析、自动化，还是只是使内容可读，此任务对于开发人员来说都很常见。
在本文中，我将向您展示如何创建一个简单的 Python 类，以使用内置 Python 模块 HTMLParser 从 HTML 中提取纯文本。
HTMLParser 是一个轻量级的内置 Python 模块，可让您解析和操作 HTML 文档。与 BeautifulSoup 等外部库不同，它是轻量级的，非常适合 HTML 标签清理等简单任务。
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)
以下是如何使用该类来清理 HTML：
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)
输出：
Welcome to our website! We offer exceptional services for our customers.Contact us at: contact@example.com
如果您想捕获其他信息，例如标签中的链接，这里是该类的增强版本：
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)
增强输出：
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.
## 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.
使用此解决方案，您只需几行代码即可轻松从 HTML 中提取纯文本。无论您是在处理个人项目还是专业任务，这种方法都非常适合轻量级 HTML 清理和分析。
如果您的用例涉及更复杂或格式错误的 HTML，请考虑使用 BeautifulSoup 或 lxml 等库来增强功能。
请随意在您的项目中尝试此代码并分享您的经验。快乐编码！ ？
以上是在 Python 中从 HTML 内容中提取文本：使用'HTMLParser”的简单解决方案的详细内容。更多信息请关注PHP中文网其他相关文章！
