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 /
Оптимизация кода на разграничение прав доступа к элементам формы Maks 13.04.2026 Алгоритм из решения ниже реализован на нетиповом документе, разработанного в конфигурации КА2. Задачи, как таковой, поставлено не было, проделанное ниже исключительно моя инициатива. Было так:. . .	Контроль заполнения и очистка дат в зависимости от значения перечислений Maks 12.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "ПланированиеПерсонала", разработанного в конфигурации КА2. Задача: реализовать контроль корректности заполнения дат назначения. . .	Архитектура слоя интернета для сервера-слоя. Hrethgir 11.04.2026 В продолжение https:/ / www. cyberforum. ru/ blogs/ 223907/ 10860. html Знаешь что я подумал? Раз мы все источники пишем в голове ветки, то ничего не мешает добавить в голову такой источник, который сам. . .	Подстановка значения реквизита справочника в табличную часть документа Maks 10.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "ПланированиеПерсонала", разработанного в конфигурации КА2. Задача: при выборе сотрудника (справочник Сотрудники) в ТЧ документа. . .
Очистка реквизитов документа при копировании Maks 09.04.2026 Алгоритм из решения ниже применим как для типовых, так и для нетиповых документов на самых различных конфигурациях. Задача: при копировании документа очищать определенные реквизиты и табличную. . .	модель ЗдравоСохранения 8. Подготовка к разному выполнению заданий anaschu 08.04.2026 https:/ / github. com/ shumilovas/ med2. git main ветка * содержимое блока дэлэй из старой модели теперь внутри зайца новой модели 8ATzM_2aurI	Блокировка документа от изменений, если он открыт у другого пользователя Maks 08.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа, разработанного в конфигурации КА2. Задача: запретить редактирование документа, если он открыт у другого пользователя. / / . . .	Система безопасности+живучести для сервера-слоя интернета (сети). Двойная привязка. Hrethgir 08.04.2026 Далее были размышления о системе безопасности. Сообщения с наклонным текстом - мои. А как нам будет можно проверить, что ссылка наша, а не подделана хулиганами, которая выбросит на другую ветку и. . .

@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 3632. 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