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。
主要内容：
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。
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：
总结
借助 Spire.Doc for Python，仅需几行代码即可完成 HTML 文件 / 字符串到纯文本的转换，操作简单、效率高，且能适配大多数实际场景。若需探索更多功能，可申请 30 天免费试用许可，解锁全部功能。
无论是数据分析、内容提取还是文档处理，HTML 转文本都是高频需求 — 掌握这一技巧，能大幅提升 Python 数据处理的灵活性和效率！
常见问题解答
问题1：如何批量转换多个 HTML 文件为纯文本文件？
答：可通过遍历文件夹内的 HTML 文件，循环调用 Spire.Doc 的转换逻辑实现批量处理，核心是结合os模块遍历文件，示例代码如下：
from spire.doc import *
from spire.doc.common import *
import os
# 定义输入/输出文件夹路径
input_folder = "./html_files"
output_folder = "./txt_files"
# 确保输出文件夹存在
if not os.path.exists(output_folder):
os.makedirs(output_folder)
# 遍历输入文件夹下所有HTML文件
for filename in os.listdir(input_folder):
if filename.endswith(".html") or filename.endswith(".htm"):
# 拼接文件路径
input_path = os.path.join(input_folder, filename)
# 生成输出文件名（替换后缀为txt）
output_filename = os.path.splitext(filename)[0] + ".txt"
output_path = os.path.join(output_folder, output_filename)
# 执行转换逻辑
document = Document()
document.LoadFromFile(input_path, FileFormat.Html, XHTMLValidationType.none)
document.SaveToFile(output_path, FileFormat.Txt)
print(f"成功转换：{filename} → {output_filename}")
document.Close()
问题2：Spire.Doc 能否处理格式错误的 HTML？
答：可以。Spire.Doc 内置了对格式错误 HTML 的容错能力，但需要禁用严格验证以确保正确解析，即加载 HTML 文件时，使用 XHTMLValidationType.none 跳过严格的 XHTML 检查：
问题3：转换包含图片、视频、音频标签的 HTML，会如何处理这些媒体标签？
答：Spire.Doc for Python 仅处理 HTML 中的文本内容，图片（<img>）、视频（<video>）、音频（<audio>）等媒体标签会被直接剥离，不会在文本中保留标签本身或媒体文件相关信息。
