☰

HTML 到未格式化的纯文本？

tag-icon • tag-icon linux html
HTML 到未格式化的纯文本？

我正在寻找一种方法来将一个装满 HTML 文件的文件夹转换为纯文本。我希望文本文件尽可能像我在 Web 浏览器中选择所有文本、复制文本并将其粘贴到纯文本文件中时得到的那样。

不，真的，我想要未格式化的纯文本。我找到的所有解决方案都会生成 Markdown 或类似的东西，或者尝试保留布局，或者使用星号和下划线来指示文本格式，或者在输出文件中保留脚本的内容，或者一些聪明的东西。

我想要的只是作者按照写作顺序写下的文字。我甚至不在乎处理过程是否将列表中的所有列表项转换为单个段落，甚至将整个文档折叠为单个段落。所有这些都比给我文档中包含的实际语言以外的任何东西要好得多。

我想要一个终端应用程序或 Python 脚本，但我会选择任何我能得到的东西。

答案1

html2text是一个 Python 脚本，可将 HTML 页面转换为等效的 Markdown 结构文本。html2text 可以在任何安装了 Python 的操作系统中下载并运行。html2text 程序位于许多 Linux 发行版的存储库中，可以从命令行运行，如下所示：

html2text -style pretty input.html

此命令不仅将原始 html 文件转换为文本，而且还能很好地使纯文本输出易于阅读。标题看起来像标题，列表看起来像列表，等等。

如果你无法自动将网页中的表格转换为无格式的文本，可以使用现代 Markdown 编辑器轻松完成此操作，例如泰波拉或者标记文本适用于 Windows/Mac/Linux 的 GUI 应用程序。比较这两个应用程序，Mark Text 比 Typora 更能准确捕获网页上的所有内容，而且 Typora 的编辑器更易于使用，所以我同时使用这两个应用程序。我使用 Mark Text 作为网页抓取器，然后将我捕获的 markdown 文本复制/粘贴到 Typora 中，并使用 Typora 进行编辑。

答案2

使用w3m -dump <page.html>。

它将为您提供 html 文件的文本表示。

从手册页中：

-dump  dump formatted page into stdout

尽管说了formatted，但输出只是纯文本。

答案3

正如所提到的贡拜·山多尔，在评论中NZD 的答案：

lynx -dump -nolist -nomargins

当使用 URL 从命令行运行时，它会将输出写入 stdout。这似乎工作得很好。 -nomargins如果只能访问旧版本lynx（即旧 UNIX 上的 Lynx 版本 2.8.5rel.5（2005 年 10 月 29 日）），则可能不受支持。

输出似乎没有任何标记和链接，但有一些潜在的例外（以下列表可能不典型或详尽）：

  • 表格数据中确实会出现额外的空白，并且至少在某些情况下，虽然空白通常有助于提取表格数据，但有时会出现不一致，从而使解析变得复杂。
  • 虽然链接不会被转储，但可见文本可能会输出。例如，脚注引用可能会呈现为星号，或者在 wiki 上，可点击内容可能会呈现为等效的纯文本（没有底层 URL）。
  • 一些参考资料可能会扩展并输出替代文本。
  • 无序列表带有星号和缩进。
  • 顺序列表转储带有数字和缩进的内容。
  • 输入字段可能显示为下划线

答案4

Unix.com：如何仅删除文件中的 HTML 标签提供：
sed -n '/^$/!{s/<[^>]*>//g;p;}' filename
或html2text

CommandLineFu：删除所有 HTML 标签显示另一sed行，或者awk。

我相信这是多个程序提供的比较常见的操作，并且此任务最常见的名称是“剥离” HTML。快速Google 搜索：Linux 删除 html 标签显示多种解决方案，包括PHP：删除标签。

相关内容