Очистить от html мусора

@IRIP · Регистрация: 18.04.2015

Студворк — интернет-сервис помощи студентам

Как быстро в python3 почистить текст html от мусора оставив чистый текст?

html2text?

@Wi0M · 15.03.2018, 23:22

Python
1
2
3
4
import re
 
with open('source.html', 'r') as source, open('dest.txt', 'w') as dest:
    dest.write(re.sub(r'(\<(/?[^>]+)>)', '', source.read()))

@IRIP · 15.03.2018, 23:38 **[ТС]**

https://www.programcreek.com/p... .HTML2Text

@Garry Galler · 16.03.2018, 01:35

Сообщение от IRIP

html2text?

Это html to markdown. Markdown он выдает шикарный, но если мы хотим голый текст, то даже отключив все настройки форматирования, все равно получим текст с привнесенными библиотекой символами.
Для получения raw текста нужно писать свой минипарсер, который не только все теги будет удалять (как в примере выше), но и предварительно удалять теги <script></script> c их ненужным содержимым, а также предварительно преобразовывать теги <br> в newline, чтобы получить поменьше склееного текста.

vic5710 · 16.03.2018, 04:15

Python
1
2
3
4
5
from lxml import html
doc = html.fromstring('''<html><body>text</body></html>''')
tree = doc.xpath('//*')
for i in tree:
    print(i.tag,i.attrib,i.text)

Новые блоги и статьи Все статьи Все блоги /
SDL3 для Web (WebAssembly): Обработчик клика мыши в браузере ПК и касания экрана в браузере на мобильном устройстве 8Observer8 02.02.2026 Содержание блога Для начала пошагово создадим рабочий пример для подготовки к экспериментам в браузере ПК и в браузере мобильного устройства. Потом напишем обработчик клика мыши и обработчик. . .	Философия технологии iceja 01.02.2026 На мой взгляд у человека в технических проектах остается роль генерального директора. Все остальное нейронки делают уже лучше человека. Они не могут нести предпринимательские риски, не могут. . .	SDL3 для Web (WebAssembly): Вывод текста со шрифтом TTF с помощью SDL3_ttf 8Observer8 01.02.2026 Содержание блога В этой пошаговой инструкции создадим с нуля веб-приложение, которое выводит текст в окне браузера. Запустим на Android на локальном сервере. Загрузим Release на бесплатный. . .	SDL3 для Web (WebAssembly): Сборка C/C++ проекта из консоли 8Observer8 30.01.2026 Содержание блога Если вы откроете примеры для начинающих на официальном репозитории SDL3 в папке: examples, то вы увидите, что все примеры используют следующие четыре обязательные функции, а. . .
SDL3 для Web (WebAssembly): Установка Emscripten SDK (emsdk) и CMake для сборки C и C++ приложений в Wasm 8Observer8 30.01.2026 Содержание блога Для того чтобы скачать Emscripten SDK (emsdk) необходимо сначало скачать и уставить Git: Install for Windows. Следуйте стандартной процедуре установки Git через установщик. . . .	SDL3 для Android: Подключение Box2D v3, физика и отрисовка коллайдеров 8Observer8 29.01.2026 Содержание блога Box2D - это библиотека для 2D физики для анимаций и игр. С её помощью можно определять были ли коллизии между конкретными объектами. Версия v3 была полностью переписана на Си, в. . .	Инструменты COM: Сохранение данный из VARIANT в файл и загрузка из файла в VARIANT bedvit 28.01.2026 Сохранение базовых типов COM и массивов (одномерных или двухмерных) любой вложенности (деревья) в файл, с возможностью выбора алгоритмов сжатия и шифрования. Часть библиотеки BedvitCOM Использованы. . .	SDL3 для Android: Загрузка PNG с альфа-каналом с помощью SDL_LoadPNG (без SDL3_image) 8Observer8 28.01.2026 Содержание блога SDL3 имеет собственные средства для загрузки и отображения PNG-файлов с альфа-каналом и базовой работы с ними. В этой инструкции используется функция SDL_LoadPNG(), которая. . .

@IRIP 514 / 146 / 28 Регистрация: 18.04.2015 Сообщений: 1,904 Записей в блоге: 16

	Очистить от html мусора 15.03.2018, 23:00. Показов 3599. Ответов 4 Метки нет (Все метки) Как быстро в python3 почистить текст html от мусора оставив чистый текст? html2text? 0

@IRIP 514 / 146 / 28 Регистрация: 18.04.2015 Сообщений: 1,904 Записей в блоге: 16
	15.03.2018, 23:38 [ТС]
	https://www.programcreek.com/p... .HTML2Text 0