如何获取“ HTTPS”链接以及如何在python中将epub转换为txt？

Question

我想将epub转换为txt。我首先通过zipfile将epub转换为xhtml。然后我尝试通过beautifulsoup将xhtml转换为epub。

但是，由于本地文件名，因此出现问题。例如，MY xhtml文件名是“ C：\ Users \ abc.xhtml”，而不是“ HTTPS”。因此beautifulsoup无法正常工作。

我该如何解决？

'''
import zipfile

zf = zipfile.ZipFile('C:\\Users\\abc.epub')
zf.extractall('C:\\Users\\Desktop\\folder')
'''
import re, requests
from bs4 import BeautifulSoup
html = "C:\\Users\\abc.xhtml"

soup = BeautifulSoup(html, 'lxml')
print(soup.text)

Answer 1

BeautifulSoup构造函数需要html文件而不是url的实际内容。试试这个：

with open(html) as f:
    contents = f.read()
soup = BeautifulSoupd(contents, 'lxml')

Answer 2

您不需要BeautifulSoup进行提取。

您可以使用epub-conversion包将.epub文件转换为文本，可从PyPi安装：

pip install epub-conversion

现在，从epub存档中提取文本是一个简单的任务：

逐行：

from epub_conversion.utils import open_book, convert_epub_to_lines

book = open_book("some_file.epub")

lines = convert_epub_to_lines(book)

现在，正如您所提的问题，您可以将其整体打印或选择处理每一行：

print(lines)

# or traverse each line
for line in lines:
    print(line) # Or do something completely different