Python實現(xiàn)HTML文件或字符串轉換為純文本TXT

更新時間：2025年09月28日 08:40:09 作者：Eiceblue

在數(shù)據(jù)處理、內容提取、網(wǎng)頁歸檔等任務中,經(jīng)常需要將 HTML 轉換為純文本 TXT,本文將介紹如何用 Python 和 Free Spire.Doc 庫完成 HTML 到 TXT 的轉換,希望對大家有所幫助

1. 引言

在數(shù)據(jù)處理、內容提取、網(wǎng)頁歸檔等任務中，經(jīng)常需要將 HTML 轉換為純文本 TXT。常見需求包括去除 HTML 標簽，保留文本內容，保留段落、列表等基本結構。

本文將介紹如何用 Python 和 Free Spire.Doc 庫完成 HTML 到 TXT 的轉換。

2. 轉換原理

HTML 轉 TXT 的本質是解析 HTML 文檔對象模型（DOM），提取其中的文本節(jié)點，再按需要的格式輸出。
常用方法有兩類：

純解析器（如 BeautifulSoup、lxml）：快速、輕量，但需要自己處理換行和縮進。
文檔模型類庫（如 Free Spire.Doc）：加載 HTML 到文檔對象，再導出為 TXT，結構保留更好。

3. 環(huán)境準備

安裝 Free Spire.Doc for Python：

pip install Spire.Doc.free

注意點擊查看免費版的限制

4. 基本實現(xiàn)

4.1 HTML 文件 → TXT 文件

下面是一個將 HTML 文件轉換為 TXT 文本的簡單示例：

from spire.doc import *
from spire.doc.common import *

# 加載HTML文件
document = Document()
document.LoadFromFile("E:\input.html", FileFormat.Html, XHTMLValidationType.none)

# 另存為TXT文件
document.SaveToFile("Html文件轉TXT.txt", FileFormat.Txt)
document.Close()

核心代碼：

LoadFromFile()：加載 HTML 文件。FileFormat.Html 表示文件格式為 HTML。
SaveToFile()：將文檔保存為 TXT 格式。FileFormat.Txt 表示保存為純文本。

輸出結果：

4.2 HTML 字符串 → TXT 文件

若 HTML 內容已在內存中（如接口返回、爬蟲抓取結果），可使用該方法：

from spire.doc import *
from spire.doc.common import *

# 指定HTML字符串
sample_html = """
<html>
<head><title>示例頁面</title></head>
<body>
    <h1>歡迎來到我的網(wǎng)站</h1>
    <p>這是一個段落文本。</p>
    <ul>
        <li>項目1</li>
        <li>項目2</li>
        <li>項目3</li>
    </ul>
</body>
</html>
"""

# 創(chuàng)建文檔
document = Document()
# 在段落中插入字符串
section = document.AddSection()
section.AddParagraph().AppendHTML(sample_html)

# 另存為TXT
document.SaveToFile("Html字符串轉TXT.txt", FileFormat.Txt)
document.Close()

輸出結果：