当前位置：首页 > news >正文

国产化Word处理组件Spire.DOC教程：通过Python将HTML转换为TXT文本

news 2026/5/12 14:38:54

HTML（超文本标记语言）是一种用于创建网页的标记语言，能让开发者构建内容丰富、视觉吸引力强的页面布局。然而，HTML 文件通常包含大量标签，若仅需获取主要内容，这些标签会使其难以阅读。通过 Python 将 HTML 转换为文本，可轻松解决这一问题。与原始 HTML 不同，转换后的文本文件会剥离所有不必要的标记，仅保留干净易读的内容，更便于存储、分析或进一步处理。

安装 HTML 转文本 Python 库

推荐使用 Spire.Doc for Python 实现转换。该 Python Word 库不仅是轻量高效的 HTML 转文本工具，还支持几乎所有 Word 操作（如创建、内容编辑等），兼容性强、上手简单。

Spire.Doc for Python试用下载

请联系慧都科技，技术交流Q群（125237868）

通过 pip 命令安装（推荐）

打开终端 / 命令行，执行以下命令即可自动完成安装：

pip install spire.doc

Python 将 HTML 文件转换为文本

借助 Spire.Doc for Python，仅需 3 个简单步骤即可将本地 HTML 文件转换为纯文本：创建 Document 对象 → 加载 HTML 文件 → 保存为 TXT 格式。整个过程简洁高效，新手也能轻松上手！下面详细介绍代码实现：

代码示例 — HTML 文件转 TXT 文本文件

from spire.doc import *
from spire.doc.common import *# 打开 HTML 文件
document = Document()
document.LoadFromFile("sample.html.html", FileFormat.Html, XHTMLValidationType.none)# 保存为文本文件
document.SaveToFile("HTML转文本.txt", FileFormat.Txt)document.Close()

转换效果预览（源文件 vs 输出文件）：

请注意：若 HTML 文件包含表格，输出的文本文件将仅保留表格中的数据，无法保留原始表格格式。若希望移除标记的同时保留特定样式，建议先将 HTML 转换为 Word 文档，这样可保留标题、表格等格式，让内容更易于编辑和使用。

Python 将 HTML 字符串转换为文本

如果仅需提取网页部分内容（如爬取的 HTML 片段），可直接将 HTML 字符串转换为文本，无需加载完整 HTML 文件，更灵活高效。

Spire.Doc 转换 HTML 字符串到文本文件的实现步骤：

直接输入 HTML 字符串或从本地文件读取；
创建 Document 对象并添加节（Section）和段落（Paragraph）；
使用 Paragraph.AppendHTML() 方法将 HTML 字符串插入段落；
通过 Document.SaveToFile() 方法将文档保存为 .txt 文件。

代码示例 — HTML 字符串转 TXT 文本文件

from spire.doc import *
from spire.doc.common import *# 获取 HTML 字符串（可注释下方代码，取消注释读取本地文件的逻辑）
# with open(inputFile) as fp:
#     html = fp.read()# 定义 HTML 字符串
html = """<html><body><h1>示例HTML内容</h1><p>这是一个包含<strong>粗体</strong>和<em>斜体</em>文本的段落。</p><p>另一行带有<a href='https://example.com'>链接</a>。</p><ul><li>列表项1</li><li>列表项2（带有<em>斜体</em>文本）</li></ul><p>特殊字符：© & ®</p></body></html>
"""# 创建新文档
document = Document()
section = document.AddSection()# 将 HTML 字符串插入段落
section.AddParagraph().AppendHTML(html)# 保存为 TXT 文件
document.SaveToFile("HTML字符串转文本.txt", FileFormat.Txt)
document.Close()

转换后的 TXT 文件预览：