将 html 个标签写入 python 中的文本文件

Question

我使用 pdfminer 将复杂（表格、图形）和非常长的 pdf 转换为 html。我想进一步解析结果（例如提取表格、段落等），然后使用 nltk 中的句子分词器进行进一步分析。为此，我想将 html 保存到文本文件以了解如何进行解析。不幸的是，我的代码没有将 html 写入 txt:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import HTMLConverter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO


def convert_pdf_to_html(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = HTMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0 #is for all
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
    fp.close()
    device.close()
    str1 = retstr.getvalue()
    retstr.close()
    return str1
    with open("D:/my_new_file.txt", "wb") as fh:
        fh.write(str1)

此外，代码在 shell 中打印了整个 html 字符串：如何避免它？

Answer 1

首先，除非出现微不足道的错误，

.txt 写入发生在 return 函数之后：永远不会执行 txt 文件写入！

然后，要禁止输出到控制台，只需在运行您的例程之前执行此操作：

 import sys,os
 oldstdout = sys.stdout  # save to be able to restore it later
 sys.stdout = os.devnull

将 html 个标签写入 python 中的文本文件

Write html tags to text file in python

python

io

pdf-to-html

pdftotext

pdfminer