HTML をプレーンテキストに変換する (Python 編)

HTML 文章からプレーンなテキストを取り出すのに何か良い方法はないかと思っていろいろ探してみたら、Python で書かれた html2text が良さそうだったのでメモ。

aaronsw/html2text

html2text is a Python script that converts a page of HTML into clean, easy-to-read plain ASCII text. Better yet, that ASCII also happens to be valid Markdown (a text-to-HTML format).

使い方はこんな感じ。入力の文字コードは UTF-8 を期待しているようなので、nkf を噛ませています。

HTMLをテキストに変換すると壊れた文字が入ったりとかいろいろと難しいのですが、試した限りだとこれが一番良好な結果を返しました。