如何将HTM文件转换为TXT

HTM和HTML是同一种网页文件格式，很多场景下我们需要把HTM文件里的纯文本内容提取出来，转换为TXT格式方便后续编辑、分析或者存储。接下来会介绍几种常用的方法，覆盖不同用户的使用需求。

方法一：使用浏览器手动提取

这是最简单不需要额外安装工具的方法，适合偶尔转换单个文件的情况。步骤如下：

• 用任意浏览器（比如Chrome、Edge、Firefox）打开需要转换的HTM文件
• 按下快捷键Ctrl+A全选页面内容，再按下Ctrl+C复制选中的内容
• 打开系统自带的记事本或者其他文本编辑器，按下Ctrl+V粘贴内容
• 删除多余的空行、格式标记等无关内容，最后保存为TXT格式即可

这种方法操作简单，但如果有大量HTM文件需要转换，手动操作效率会很低，而且可能会残留部分网页格式的冗余内容。

方法二：使用Python脚本批量转换

如果需要批量处理多个HTM文件，用Python编写脚本自动转换会更高效。我们可以借助html.parser模块解析HTM文件，提取其中的文本内容。

首先确保你已经安装了Python环境，然后创建如下脚本文件：

import os
from html.parser import HTMLParser

class TextExtractor(HTMLParser):
    def __init__(self):
        super().__init__()
        self.text_parts = []
        self.skip_tags = {'script', 'style', 'noscript'}  # 不需要提取内容的标签
        self.current_skip = False

    def handle_starttag(self, tag, attrs):
        if tag in self.skip_tags:
            self.current_skip = True

    def handle_endtag(self, tag):
        if tag in self.skip_tags:
            self.current_skip = False

    def handle_data(self, data):
        if not self.current_skip:
            # 去除空白字符后如果内容不为空再添加
            cleaned = data.strip()
            if cleaned:
                self.text_parts.append(cleaned)

    def get_text(self):
        return '\n'.join(self.text_parts)

def htm_to_txt(htm_path, txt_path):
    """将单个HTM文件转换为TXT文件"""
    with open(htm_path, 'r', encoding='utf-8', errors='ignore') as f:
        content = f.read()
    parser = TextExtractor()
    parser.feed(content)
    text = parser.get_text()
    with open(txt_path, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"转换完成：{htm_path} -> {txt_path}")

def batch_convert(htm_dir, txt_dir):
    """批量转换指定目录下的所有HTM文件"""
    if not os.path.exists(txt_dir):
        os.makedirs(txt_dir)
    for filename in os.listdir(htm_dir):
        if filename.lower().endswith(('.htm', '.html')):
            htm_path = os.path.join(htm_dir, filename)
            txt_filename = os.path.splitext(filename)[0] + '.txt'
            txt_path = os.path.join(txt_dir, txt_filename)
            try:
                htm_to_txt(htm_path, txt_path)
            except Exception as e:
                print(f"转换{filename}失败：{e}")

if __name__ == '__main__':
    # 修改下面的路径为你的实际路径
    htm_folder = './htm_files'  # HTM文件所在的目录
    txt_folder = './txt_files'  # 转换后TXT文件保存的目录
    batch_convert(htm_folder, txt_folder)

脚本中定义了TextExtractor类继承HTMLParser，会自动跳过<script>、<style>这类不需要提取内容的标签，只保留网页中的可见文本。使用时只需要把htm_folder和txt_folder修改为实际的目录路径，运行脚本就可以批量完成转换。

方法三：使用在线转换工具

如果不想编写代码，也可以使用在线转换工具快速处理。打开浏览器访问ipipp.com相关的在线文件转换站点，找到HTM转TXT的功能入口，上传需要转换的HTM文件，等待处理完成后下载生成的TXT文件即可。不过需要注意，如果HTM文件包含敏感内容，不建议使用在线工具，避免信息泄露。

注意事项

• 转换后的TXT文件可能会残留部分网页分页、导航相关的重复文本，需要手动检查调整
• 如果HTM文件使用特殊的编码格式，比如GBK，在读取文件时需要对应修改编码参数，避免乱码
• 批量转换前建议先备份原始的HTM文件，防止转换过程中出现意外导致文件损坏

HTM转TXT批量转换Python脚本在线转换工具文本提取