L’extraction de texte propre à partir de pages Web est un besoin fréquent pour les pipelines de données, les outils de reporting et l’analyse de contenu. Aspose.HTML for Python via .NET fournit un SDK robuste qui gère l’analyse du HTML et l’extraction de texte sans recourir à des expressions régulières manuelles. Dans ce guide, nous vous montrerons comment convertir le HTML en TXT avec Python, en couvrant l’installation, un exemple de code complet et des conseils de performance. Vous apprendrez également à valider le TXT généré et à gérer les problèmes d’encodage courants.

Exemple complet de code : convertir du HTML en TXT en Python

L’exemple suivant montre une conversion complète de bout en bout utilisant Aspose.HTML for Python via .NET.

import os
import sys
import aspose.html as ah
import aspose.html.saving as ahs

def convert_html_to_txt(input_path: str, output_path: str, encoding: str = "utf-8") -> None:
    """
    Converts an HTML file to a plain text (TXT) file using Aspose.HTML for Python via .NET.
    """
    if not os.path.isfile(input_path):
        raise FileNotFoundError(f"Input file does not exist: {input_path}")

try:
        # Load the HTML document
        document = ah.HtmlDocument(input_path)

# Configure TXT save options
        txt_options = ahs.TxtSaveOptions()
        txt_options.encoding = encoding          # Ensure proper character encoding
        txt_options.remove_extra_whitespace = True  # Reduce unnecessary spaces (if supported)

# Perform the conversion
        document.save(output_path, txt_options)

except Exception as exc:
        # Capture any Aspose or I/O related errors
        print(f"[Error] Conversion failed: {exc}", file=sys.stderr)
        raise

finally:
        # Explicitly release resources held by the document
        if 'document' in locals():
            document.dispose()

def validate_txt_output(output_path: str, min_chars: int = 10) -> None:
    """
    Simple validation to ensure the TXT file was created and contains readable content.
    """
    if not os.path.isfile(output_path):
        raise FileNotFoundError(f"Output file was not created: {output_path}")

with open(output_path, "r", encoding="utf-8") as txt_file:
        content = txt_file.read()

if len(content) < min_chars:
        raise ValueError("Output text appears to be empty or truncated.")

# Show a short preview for quick verification
    preview = content[:200].replace("\r", "").replace("\n", " | ")
    print(f"[Info] Conversion succeeded. Preview (first 200 chars):\n{preview}")

if __name__ == "__main__":
    # Example file paths – replace with actual locations as needed
    INPUT_HTML = "sample.html"
    OUTPUT_TXT = "sample.txt"

try:
        convert_html_to_txt(INPUT_HTML, OUTPUT_TXT)
        validate_txt_output(OUTPUT_TXT)
    except Exception as e:
        print(f"[Fatal] HTML to TXT conversion failed: {e}", file=sys.stderr)
        sys.exit(1)

Note : Cet exemple de code démontre la fonctionnalité principale. Avant de l’utiliser dans votre projet, assurez‑vous de mettre à jour les chemins de fichiers (sample.html, sample.txt) pour qu’ils correspondent à vos emplacements réels, vérifiez que toutes les dépendances requises sont correctement installées et testez soigneusement dans votre environnement de développement. Si vous rencontrez des problèmes, veuillez consulter la documentation officielle ou contacter l’équipe de support pour obtenir de l’aide.

Comprendre la conversion HTML en TXT en code Python

Voici une répartition étape par étape des sections clés du script :

  1. Importer les espaces de noms requis - Le script importe aspose.html et aspose.html.saving qui contiennent les classes de base pour charger du HTML et configurer la sortie TXT.

    import aspose.html as ah
import aspose.html.saving as ahs

  2. Charger le document HTML - ah.HtmlDocument(input_path) analyse le fichier HTML source en un DOM avec lequel le SDK peut travailler.

document = ah.HtmlDocument(input_path)

  1. Configurer les options d’enregistrement TXT - ahs.TxtSaveOptions() vous permet de définir l’encodage de sortie et, éventuellement, de supprimer les espaces blancs supplémentaires pour un résultat plus propre.

    txt_options = ahs.TxtSaveOptions()
txt_options.encoding = encoding
txt_options.remove_extra_whitespace = True

  2. Effectuer la conversion - document.save(output_path, txt_options) écrit le fichier texte brut en utilisant les options configurées.

    document.save(output_path, txt_options)

  3. Valider la sortie - Le helper validate_txt_output vérifie que le fichier TXT existe et contient un nombre minimum de caractères, puis affiche un aperçu court. Ceci est utile pour la conversion par lots de HTML en TXT en Python où vous devez vous assurer que chaque fichier a été traité correctement.

Pour des informations détaillées sur l’API, consultez la référence API pour HtmlDocument et TxtSaveOptions.

Préparer l’environnement

  1. Installez le SDK - Utilisez pip pour ajouter Aspose.HTML for Python via .NET à votre projet.
pip install aspose-html-net
  1. Vérifier l’installation - Après l’installation, vous pouvez importer le package dans un REPL Python pour confirmer qu’il se charge sans erreurs.
import aspose.html
print(aspose.html.__version__)

  1. Télécharger la dernière version (Facultatif) - Si vous préférez un téléchargement manuel, récupérez les binaires depuis la page officielle de publication : Télécharger Aspose.HTML for Python via .NET.

  2. Prérequis - Assurez-vous d’avoir un runtime .NET compatible (par ex., .NET 6.0 ou version ultérieure) installé sur votre machine, car le SDK s’exécute au-dessus du runtime .NET.

Une fois l’environnement configuré, vous êtes prêt à exécuter le script de conversion.

Conclusion

Convertir du HTML en TXT en Python est simple lorsque vous exploitez la puissance de Aspose.HTML for Python via .NET. Le SDK abstrait les complexités de l’analyse HTML, du codage des caractères et de la gestion des espaces blancs, vous offrant une solution rapide et fiable pour l’extraction de texte. N’oubliez pas de valider les fichiers TXT générés et d’ajuster le TxtSaveOptions selon vos besoins spécifiques en matière de performances ou de formatage. Pour une utilisation en production, obtenez une licence appropriée ; les détails de tarification sont disponibles sur la page du produit, et une licence temporaire peut être obtenue depuis la page de licence temporaire. Intégrez cet utilitaire dans vos pipelines de données, vos outils de reporting ou vos flux de travail d’analyse de contenu afin de rationaliser les tâches de traitement de texte.

FAQ

Comment convertir du HTML en TXT en Python avec Aspose.HTML ?
Utilisez la fonction convert_html_to_txt du SDK. Elle charge le HTML avec HtmlDocument, applique TxtSaveOptions et enregistre le résultat sous forme de fichier texte brut.

Existe-t-il un moyen d’automatiser la conversion HTML en TXT en Python pour de nombreux fichiers ?
Oui, placez l’appel de conversion dans une boucle ou utilisez Python concurrent.futures pour traiter les fichiers en parallèle, obtenant ainsi une conversion rapide de HTML en TXT en Python pour de gros lots.

Quelles options améliorent les performances de la conversion HTML vers TXT ?
Activez remove_extra_whitespace dans TxtSaveOptions et choisissez un encodage approprié. L’implémentation native du SDK assure une grande vitesse, ce qui le rend adapté aux scénarios critiques en termes de performances.

Le SDK prend‑il en charge le codage personnalisé pour le fichier TXT de sortie ?
Absolument. Vous pouvez définir txt_options.encoding sur n’importe quel codec Python valide (par ex., "utf-8" ou "utf-16"), garantissant que le TXT généré correspond à vos exigences en aval.

Read More