python提取html文本保留格式

### 使用 Python 解析 HTML 并保留格式提取文本在使用 Python 解析 HTML 时，`BeautifulSoup` 和 `lxml` 是两个常用的库。如果需要从 HTML 中提取文本并保留其格式（例如段落、列表、标题等），可以通过以下方法实现。 #### 方法一：使用 BeautifulSoup 提取文本并保留格式 `BeautifulSoup` 提供了灵活的解析功能，可以遍历 HTML 树结构并提取所需内容。为了保留格式，可以递归处理每个标签，并根据标签类型添加适当的换行符或空格。 ```python from bs4 import BeautifulSoup def extract_text_with_format(html_content): soup = BeautifulSoup(html_content, 'html.parser') def process_tag(tag): if tag.name in ['p', 'div', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'li']: return '\n' + ''.join(process_child(child) for child in tag.contents) elif tag.name == 'br': return '\n' else: return ''.join(process_child(child) for child in tag.contents) def process_child(child): if isinstance(child, str): return child.strip() elif child.name: return process_tag(child) else: return '' return ''.join(process_child(child) for child in soup.body.contents).strip() # 示例 HTML 内容 html_content = """ <html> <body> <h1>标题</h1> <p>这是一个段落。</p> <ul> <li>列表项 1</li> <li>列表项 2</li> </ul> </body> </html> """ result = extract_text_with_format(html_content) print(result) ``` 上述代码通过递归处理每个标签来保留格式[^1]。对于段落 (`<p>`)、标题 (`<h1>` 到 `<h6>`)、列表项 (`<li>`) 等标签，添加换行符以模拟原始格式。 #### 方法二：使用 lxml 提取文本并保留格式 `lxml` 是另一个强大的 HTML 解析库，支持更高效的解析和处理。与 `BeautifulSoup` 类似，可以通过遍历元素树来提取文本并保留格式。 ```python from lxml import etree def extract_text_with_format_lxml(html_content): parser = etree.HTMLParser() tree = etree.fromstring(html_content, parser) def process_element(element): text_parts = [] if element.text and element.text.strip(): text_parts.append(element.text.strip()) for child in element: text_parts.append(process_element(child)) if child.tail and child.tail.strip(): text_parts.append(child.tail.strip()) if element.tag in ['p', 'div', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'li']: return '\n'.join(text_parts) return ''.join(text_parts) return '\n'.join(process_element(child) for child in tree.iterchildren()).strip() # 示例 HTML 内容 html_content = """ <html> <body> <h1>标题</h1> <p>这是一个段落。</p> <ul> <li>列表项 1</li> <li>列表项 2</li> </ul> </body> </html> """ result = extract_text_with_format_lxml(html_content) print(result) ``` 此代码通过递归处理每个子元素来保留格式[^2]。对于特定标签（如 `<p>`、`<h1>` 等），添加换行符以模拟原始格式。 ### 总结 - 如果需要简单易用的接口，可以选择 `BeautifulSoup`。 - 如果需要更高的性能和更复杂的操作，可以选择 `lxml`。两者都可以通过递归处理 HTML 树结构来提取文本并保留格式。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇基于python的工业蒸汽量数据分析实践论文

目录

python提取html文本保留格式

Python内容推荐

Python使用get_text()方法从大段html中提取文本的实例

Python实现提取文章摘要的方法

Python使用正则表达式去除(过滤)HTML标签提取文字功能

Python-将epub文件转换为文本

Python-Textpipe文本清洗与元数据提取

Python库 | html_text-0.4.0-py2.py3-none-any.whl

使用 Python 将 PDF 或 HTML 转换为 Markdown

Python爬虫练习项目_廖雪峰Python教程网页内容抓取与转换工具_通过GET请求获取网页HTML内容并过滤无关信息后使用html2text库转换为Markdown格式的文档生.zip

Python3 获取一大段文本之间两个关键字之间的内容方法

SourceForge上找到的一个python写的RTF文件解析器

python读取word文档的方法

Python百度百科的爬取

【Python编程】Matplotlib可视化图表定制与高级技巧

【Python编程】Pandas数据清洗与转换技术实战

将网页中的文本信息进行提取

HTML文件到txt文件转换器.rar_ html文件转换成txt_HTML TXT_site:www.pudn.com_文件转

html转换成text

将PPT转换成HTML文件

文本整理去掉多余的格式只保留QQ号----密码

html-text-parser

Qwen3-ASR-0.6B语音识别指南[源码]

学生成绩管理系统C++课程设计与实践

别再手动拖拽了！用Lumerical脚本批量创建FDTD仿真结构（附完整代码）

Java邮件解析任务中，如何安全高效地提取HTML邮件内容并避免硬编码、资源泄漏和类型转换异常？

RH公司应收账款管理优化策略研究

新手别慌！用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构

Java线程池运行时状态怎么实时掌握？有哪些靠谱的监控手段？

桌面工具软件项目效益评估及市场预测分析

告别遮挡！UniApp中WebView与原生导航栏的和谐共处方案（附完整可运行代码）

OSPF是怎么在企业网里自动找最优路径并分区域管理的？