Python 实现 HTML 转纯文本：两种场景下的文档模型方案

在日常数据处理与内容归档中，HTML 格式虽然适合网页展示，但其标签和样式代码使得内容难以直接复用。无论是文本分析、搜索索引构建，还是网页内容存档，将 HTML 转换为纯文本都是一项基础需求。Python 生态中，BeautifulSoup 等解析库能够完成标签剥离，但若希望在一定程度上保留原文的段落、列表等结构信息，借助文档模型类库是另一条可选路径。本文以 Spire.Doc for Python 为例，介绍 HTML 转纯文本的两种场景：本地文件处理与内存字符串提取。

环境准备与工具特性

Spire.Doc for Python 是一个文档处理库，运行不依赖本地安装的 Microsoft Word 或其他办公软件。通过 pip 即可完成安装。该库提供免费版本与商业版本。根据官方说明，Free 版本存在明确限制：在读取或写入文件时，单文档最多支持 500 个段落和 25 个表格，超出限制的内容将被截断。这一边界在轻量级内容提取或中小规模归档任务中可覆盖多数场景；若涉及大型网页或批量处理海量数据，则需要提前评估是否满足需求。

场景一：将本地 HTML 文件转换为 TXT

最常见的需求是读取磁盘上的 HTML 文件并另存为文本文件。使用该库的流程遵循"加载---保存"模式：创建 Document 对象，通过 LoadFromFile 加载目标 HTML。

加载时的一个关键参数是 XHTMLValidationType.none。网络上的 HTML 文件格式多样，许多并不符合严格的 XHTML 规范。指定该参数可跳过严格的语法校验，提升对不规范 HTML 的兼容性，避免因个别标签闭合问题导致加载失败。

加载完成后，调用 SaveToFile 并指定 FileFormat.Txt 即可导出纯文本。核心代码如下：

javascript 复制代码

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

document = Document()
# 跳过严格验证，兼容非标准 HTML
document.LoadFromFile("input.html", FileFormat.Html, XHTMLValidationType.none)
# 导出为纯文本
document.SaveToFile("output.txt", FileFormat.Txt)
document.Close()

执行后生成的 TXT 文件会剥离 HTML 标签属性，但保留段落换行、列表符号等基础逻辑结构。需要注意的是，如果原 HTML 中包含表格，转换后的文本通常仅保留单元格内的文字数据，无法还原表格的网格线或列对齐格式。

场景二：将 HTML 字符串转换为 TXT

在爬虫开发或接口调用场景中，获取到的往往是 HTML 字符串而非实体文件。针对这种情况，该库提供了基于段落插入的转换路径。与文件加载不同，字符串转换需要先构建文档层级：添加节（Section），再在节中添加段落（Paragraph），最后通过段落的 AppendHTML 方法将字符串内容解析并注入文档模型。

这种方式的灵活性在于，当只需要提取网页中某个特定区块（如文章正文）而忽略导航栏和页脚时，可以先对字符串进行切片或正则匹配，再将片段交给 AppendHTML 处理。代码实现如下：

python 复制代码

document = Document()
section = document.AddSection()
# 将 HTML 字符串解析并插入段落
section.AddParagraph().AppendHTML(html_string)
document.SaveToFile("string_output.txt", FileFormat.Txt)
document.Close()

对于包含粗体、斜体、超链接以及列表的 HTML 片段，该方法能够提取文本内容，特殊字符（如版权符号、注册商标符号）在输出中通常得以保留。

转换效果与局限性

基于文档模型的转换方案在结构保留上优于简单的正则表达式替换，但并非没有边界。生成的 TXT 文件是纯文本，所有视觉样式（字体颜色、背景色、字号大小）均被丢弃，仅保留字符内容本身。此外，如果 HTML 中包含复杂的 CSS 布局或由 JavaScript 动态渲染的内容，静态加载时可能无法完全还原浏览器中的最终呈现效果。对于包含大量脚本或复杂样式的页面，建议在转换前先清洗掉无关的 script 与 style 标签，以减少解析负担并提高文本的纯净度。

总结

使用文档模型类库进行 HTML 到文本的转换，其工作方式属于"重型浏览器渲染"与"轻量级标签剥离"之间的折中路径。它不需要启动无头浏览器，同时能利用文档对象模型对段落和列表结构进行一定程度的保留。对于需要处理非标准 HTML 且对文本结构有基础要求的 Python 开发者，该方案可作为备选方案之一进行评估。实际应用中，建议根据 HTML 源的复杂程度以及免费版的段落限制，合理规划处理流程。