将html标记写入python中的文本文件

Question

我使用pdfminer将复杂的（表、图）和非常长的pdf转换为html。我想进一步分析结果（例如提取表格、段落等），然后使用nltk中的句子标记器进行进一步分析。为此，我想将html保存为文本文件，以了解如何进行解析。不幸的是，我的代码没有将html写入txt:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import HTMLConverter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO

def convert_pdf_to_html(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = HTMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0 #is for all
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
    fp.close()
    device.close()
    str1 = retstr.getvalue()
    retstr.close()
    return str1
    with open("D:/my_new_file.txt", "wb") as fh:
        fh.write(str1) 

此外，代码会在shell中打印整个html字符串：如何避免它？

Answer 1

首先，除非有一个微不足道的错误，

.txt写入发生在返回函数之后：txt文件写入从未执行！

然后，要抑制控制台的输出，只需在运行例程之前执行此操作：

 import sys,os
 oldstdout = sys.stdout  # save to be able to restore it later
 sys.stdout = os.devnull