Estoy trabajando en un proyecto que implica la conversión de una gran cantidad de contenido HTML a texto sin formato. Tengo un módulo personalizado que hace el trabajo bien, pero me pregunto si hay algunas herramientas estándar para ayudar a hacer el trabajo.La mejor manera de convertir HTML a texto sin formato usando Python
Html2Text parece ser una buena opción
Aquí hay una biblioteca de Python, que hace análisis de HTML:
BeautifulSoup es otra opción.
Para ahorrarle a los demás un poco de tiempo en círculos desde Google hasta SO, aquí hay un Q & A que describe que Beautiful Soup ya no se mantiene realmente: [WebScraping with BeautifulSoup o LXML.HTML] (http://stackoverflow.com/questions/5493514/webscraping-with-beautifulsoup-or-lxml-html). – sage
Beautiful Soup parece mantenerse ahora, creo. – contrebis
este funciona muy bien –
El sitio ya no es accesible desde Aaron, el autor ya no está. –
pero el código se puede encontrar en https://github.com/aaronsw/html2text –