Python 将 HTML 转换为纯文本 TXT （HTML 文本提取）

1. 引言

在数据处理、内容提取、网页归档等任务中，经常需要将 HTML 转换为纯文本 TXT。常见需求包括去除 HTML 标签，保留文本内容，保留段落、列表等基本结构。

本文将介绍如何用 Python 和 Free Spire.Doc 库完成 HTML 到 TXT 的转换。

---

2. 转换原理

HTML 转 TXT 的本质是解析 HTML 文档对象模型（DOM） ，提取其中的文本节点，再按需要的格式输出。

常用方法有两类：

1. 纯解析器 （如 BeautifulSoup、lxml）：快速、轻量，但需要自己处理换行和缩进。
2. 文档模型类库（如 Free Spire.Doc）：加载 HTML 到文档对象，再导出为 TXT，结构保留更好。

---

3. 环境准备

安装 Free Spire.Doc for Python：

pip install Spire.Doc.free

注意点击查看免费版的限制

---

4. 基本实现

4.1 HTML 文件 → TXT 文件

下面是一个将 HTML 文件转换为 TXT 文本的简单示例：

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

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

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

核心代码：

• LoadFromFile() ：加载 HTML 文件。FileFormat.Html 表示文件格式为 HTML。
• SaveToFile() ：将文档保存为 TXT 格式。FileFormat.Txt 表示保存为纯文本。

输出结果：

4.2 HTML 字符串 → TXT 文件

若 HTML 内容已在内存中（如接口返回、爬虫抓取结果），可使用该方法：

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

# 指定HTML字符串
sample_html = """
<html>
<head><title>示例页面</title></head>
<body>
    <h1>欢迎来到我的网站</h1>
    <p>这是一个段落文本。</p>
    <ul>
        <li>项目1</li>
        <li>项目2</li>
        <li>项目3</li>
    </ul>
</body>
</html>
"""

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

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

输出结果：

---

5. 注意事项

• 格式保留：转换后的 TXT 会保留 HTML 的段落结构（换行、列表等），但不保留颜色、字体等样式。
• 性能：对于超大型 HTML 文件，建议分段处理以避免内存占用过高。
• 复杂 HTML：对于包含大量 JavaScript、CSS 或复杂布局的 HTML，建议先用对文件进行预处理再转换。

---

使用 Free Spire.Doc for Python 转换 HTML 到 TXT 非常方便，只需几行代码即可完成，并且能够较好地保留原有的文本结构。相比正则表达式或简单的标签剥离方法，这种方式更稳定可靠。

该免费库还支持将HTML导出为Word、PDF、图片等，具体示例可参考中文教程。