| 123456789101112131415161718192021222324252627282930313233343536 |
- #coding:utf8
- from bs4 import BeautifulSoup
- import re
- def html2text_with_tablehtml(_html):
- # 如果输入是字符串，使用 BeautifulSoup 解析
- if isinstance(_html, str):
- _soup = BeautifulSoup(_html, "lxml")
- else:
- _soup = _html
- # 用于存储处理后的文本
- result_parts = []
- _find = False
- # 遍历所有直接子元素
- for child in _soup.find_all(recursive=False):
- if child.name in ["table", "tbody"]:
- # 如果是表格或表格主体，保留 HTML 代码
- result_parts.append(str(child))
- else:
- # 递归处理其他元素并转换为文本
- text = html2text_with_tablehtml(child)
- result_parts.append(text)
- _find = True
- if not _find:
- result_parts.append(str(_soup.get_text()))
- # 将所有处理后的部分连接成一个字符串
- result = "\n".join(result_parts)
- return result
- if __name__ == '__main__':
- _html = "<div><p>这是一个p</p><table><tr><td>这是一个td</td></tr></table></div>"
- print(html2text_with_tablehtml(_html))
|
