Python 从HTML数据中提取文本

我在从凌乱的HTML数据中提取信息时遇到问题。基本上，我想做的是从给定的HTML代码片段中只提取实际显示的单词。下面是我得到的原始HTML数据的一个示例

<p>I have an app which send mail to my defined mail address "myemail@own.com". For this i create my own Custom Email View Which contains check boxes message body and other options. Now i want that when send button is pressed my app should not go to gmail view or other email client view it directly submit the data</p>

<p>String recepientEmail = "myemail@own.comm"; </p>

<p>// either set to destination email or leave empty</p>

<pre><code>    Intent intent = new Intent(Intent.ACTION_SENDTO);

    intent.setData(Uri.parse("mailto:" + recepientEmail));

    startActivity(intent);
</code></pre>

<p>but on submit it opens gmail or chooser email client view but i dont want to show gmail view</p>

但在提交时，它会打开gmail或chooser电子邮件客户端视图，但我不想显示gmail视图

我想把它变成这个

<span id="midArticle_1"></span><p>Here is the First Paragraph.</p><span id="midArticle_2"></span><p>Here is the second Paragraph.</p><span id="midArticle_3"></span><p>Paragraph Three."</p>

print html.parse(url).xpath('//p/text()')

因此，基本上只需检索每个

标记中的所有内容并将它们连接在一起。我正在使用python，所以我认为BeautifulSoup可能是最好的方法，但是我似乎不知道如何做到这一点。我还想在几个这样的示例（实际上是数百万个）上重复这一点，但每个示例都应该至少有一个

标记。
是一个Python脚本，它将HTML页面转换为干净、易于阅读的纯ASCII文本。更好的是，ASCII恰好也是有效的标记（文本到HTML格式）

这是第一段。
这是第二段。
第三段。”

打印html.parse（url.xpath（'//p/text（）'））

输出

[“这是第一段。”，“这是第二段。”，

“第三款。”]

是一个Python脚本，它将HTML页面转换为干净、易于阅读的纯ASCII文本。更好的是，ASCII恰好也是有效的标记（文本到HTML格式）

这是第一段。
这是第二段。
第三段。”

打印html.parse（url.xpath（'//p/text（）'））

输出

[“这是第一段。”，“这是第二段。”，

“第三款。”]

使用
BeautifulSoup
模块从
标记中提取所有文本的一种方法

script.py的内容
：

python3 script.py infile

像这样运行：

I have an app which send mail to my defined mail address "myemail@own.com". For this i create my own Custom Email View Which contains check boxes message body and other options. Now i want that when send button is pressed my app should not go to gmail view or other email client view it directly submit the data String recepientEmail = "myemail@own.comm";  // either set to destination email or leave empty but on submit it opens gmail or chooser email client view but i dont want to show gmail view

这将产生：

import requests
from bs4 import BeautifulSoup

r = requests.get("your url")

html_text = r.text

soup = BeautifulSoup(html_text)

clean_html = ''.join(soup.findAll(text=True))

print(clean_html)

使用
BeautifulSoup
模块从
标记中提取所有文本的一种方法

script.py的内容
：

python3 script.py infile

像这样运行：

I have an app which send mail to my defined mail address "myemail@own.com". For this i create my own Custom Email View Which contains check boxes message body and other options. Now i want that when send button is pressed my app should not go to gmail view or other email client view it directly submit the data String recepientEmail = "myemail@own.comm";  // either set to destination email or leave empty but on submit it opens gmail or chooser email client view but i dont want to show gmail view

这将产生：

import requests
from bs4 import BeautifulSoup

r = requests.get("your url")

html_text = r.text

soup = BeautifulSoup(html_text)

clean_html = ''.join(soup.findAll(text=True))

print(clean_html)

我最近开始玩漂亮的汤。
我发现这行代码非常有用。我会把我的整个例子都放进去给你们看

希望这对你有用/回答了你的问题
我最近开始玩漂亮的汤。
我发现这行代码非常有用。我会把我的整个例子都放进去给你们看

希望这对你有用/回答你的问题
酷发现！所以这会删除所有标签中的所有内容，除了标签？我希望输出只是一个大字符串。所以我想我可以加入您提供的输出。对不起，我不确定“html”对象是什么。你在这个例子中使用html2text吗？很酷！所以这会删除所有标签中的所有内容，除了标签？我希望输出只是一个大字符串。所以我想我可以加入您提供的输出。对不起，我不确定“html”对象是什么。您在本例中使用的是html2text吗？谢谢。谁能告诉我这两种解决方案中哪一种最快？我有很多例子要讲。谢谢很抱歉对于一些示例，我得到连接行的错误“sequence item 1:expected string或Unicode，NoneType found”。你能告诉我怎么避开这个吗？谢谢。谁能告诉我这两种解决方案中哪一种最快？我有很多例子要讲。谢谢很抱歉对于一些示例，我得到连接行的错误“sequence item 1:expected string或Unicode，NoneType found”。你能告诉我怎么避开这个吗？