使用Python从HTML提取可读文本？

问题描述

如果您要避免script使用BeautifulSoup提取标签的任何内容，

nonscripttags = htmlDom.findAll(lambda t: t.name != 'script', recursive=False)

会为您做到这一点，获取非脚本标记的根的直系子代（单独htmlDom.findAll(recursive=False, text=True)获取根的直系子代的字符串）。您需要递归执行此操作；例如，作为发电机：

def nonScript(tag):
    return tag.name != 'script'

def getStrings(root):
   for s in root.childGenerator():
     if hasattr(s, 'name'):    # then it's a tag
       if s.name == 'script':  # skip it!
         continue
       for x in getStrings(s): yield x
     else:                     # it's a string!
       yield s

我正在使用childGenerator（代替findAll），以便可以按顺序排列所有子项并进行自己的过滤。

解决方法

我知道诸如html2text，BeautifulSoup等之类的实用程序，但问题是它们还提取了javascript并将其添加到文本中，很难将它们分开。

htmlDom = BeautifulSoup(webPage)

htmlDom.findAll(text=True)

交替，

from stripogram import html2text
extract = html2text(webPage)

这两个方法也会提取页面上的所有javascript，这是不希望的。

我只是想提取可从浏览器复制的可读文本。