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：
- 纯解析器（如
BeautifulSoup、lxml）：快速、轻量，但需要自己处理换行和缩进。 - 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。