如何用 Python 将若干 html 文件提取正文，并转换成 mobi 或 txt 格式？

Loop680

2015-04-15 10:15:14 +08:00

我之前做了一个提取PDF内容转换成TXT的小工具，用的是正则做的。

fburst

2015-04-15 16:27:53 +08:00

这个我试过很多种方案，
beautfulsoup虽然没用过，但是应该是效果最好的。
其他的那些库容错率太低了，少个引号什么的都不行。比如<body>标签，html5标准里是可以不闭合的，也解析不出。
有瑕疵的网页还是比较多的，就算163什么的也免不了。
目前方案是selenium直接对接firefox。通过firefox的解析器解析html，然后js直接提取词条。这样firefox解析成什么样，我得到的就是什么。

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/183675

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.