使用 Python/BeautifulSoup 從 HTML 中提取與文本一致的鏈接

Question

關於如何使用 BeautifulSoup 將 HTML 轉換為文本有很多答案（例如https://stackoverflow.com/a/24618186/3946214 ）

關於如何使用 BeautifulSoup 從 HTML 中提取鏈接也有很多答案。

我需要的是一種將 HTML 轉換為純文本版本的方法，但保留與鏈接附近文本內聯的鏈接。 例如，如果我有一些看起來像這樣的 HTML：

<div>Click <a href="www.google.com">Here</a> to receive a quote</div>

最好將其轉換為"Click Here (www.google.com) to receive a quote."

這里的用例是我需要將電子郵件的 HTML 轉換為純文本版本，如果鏈接在語義上位於 HTML 中，而不是在底部，那就太好了。 不需要這種確切的語法。 我很感激任何關於如何做到這一點的指導。 謝謝！

Answer 1

import html2text

data = """
<div>Click <a href="www.google.com">Here</a> to receive a quote</div>
"""


print(html2text.html2text(data))

輸出：

Click [Here](www.google.com) to receive a quote

Answer 2

如果你想要beautifulsoup解決方案，你可以從這個例子開始（它可能需要更多的真實世界數據調整）：

data = '<div>Click <a href="www.google.com">Here</a> to receive a quote.</div>'

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'html.parser')

# append the text to the link
for a in soup.select('a[href]'):
    a.contents.append(soup.new_string(' ({})'.format(a['href'])))

# unwrap() all tags
for tag in soup.select('*'):
    tag.unwrap()

print(soup)

印刷：

Click Here (www.google.com) to receive a quote.