html2text：转换特殊字符

所以首先，我不是在谈论蟒蛇html2text但该命令行工具：http://www.mbayer.de/html2text/html2text：转换特殊字符

我使用这个工具，我PROGRAMM的一部分，以产生一些小的文本预览为HTML文章。到现在为止，这是我使用的线路：

html2text -utf8 -nobs -style pretty filename.html

不幸的是我现在对面即是使用像

&#xE4;

这些特殊字符不被转换为“A”的HTML代码来了，甚至“ae”像预期的那样。

例如行：

<p class="caption">Steve Ballmer, Jahrgang 56, wird zumindest auf diesem Bild auf 56 Jahre gesch&#xE4;tzt. </p>

应转换为：

Steve Ballmer, Jahrgang 56, wird zumindest auf diesem Bild auf 56 Jahre geschätzt.

但在这里会产生这条线来代替：

Steve Ballmer, Jahrgang 56, wird zumindest auf diesem Bild auf 56 Jahre gesch&#xE4;tzt.

文档说：

默认情况下，当提供-nometa，html2text使用ISO 8859-1的输入。指定此选项，UTF-8来代替（包括用于输入和输出）。

所以我试着不用“-utf8”并使用“-nometa”。但是还是一样的结果:( 我失去了一个选择吗？

THX对您的帮助提前。

来源

2015-05-03 Jan Lukas Gernert

该文档还写着“HTML 4的大部分结构都renderred [原文]，以及包括最SGML实体，只要它们写成‘命名实体’，而不是一个数值”，这表明这是一个已知的限制。 –

你尝试（HTML）整齐？

tidy filename.html | html2text -utf8 -nobs -style pretty

可能包括错误输出的抑制：

tidy filename.html 2>/dev/null | html2text -utf8 -nobs -style pretty

至少在你的例子简单的段落完成

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01//EN"> 
<html> 
<head> 
<meta name="generator" content= 
"HTML Tidy for Linux (vers 25 March 2009), see www.w3.org"> 
<title></title> 
</head> 
<body> 
<p class="caption">Steve Ballmer, Jahrgang 56, wird zumindest auf 
diesem Bild auf 56 Jahre gesch&auml;tzt.</p> 
</body> 
</html>

来源

2015-05-03 16:17:40 leu

html2text：转换特殊字符

回答

相关问题