chm 转化为 html 转化为 txt

最新推荐文章于 2025-10-17 11:37:06 发布

原创

最新推荐文章于 2025-10-17 11:37:06 发布 · 1k 阅读

收录于

本文介绍了一款实用脚本工具，该工具可以将CHM格式文件转换为TXT文本，并进一步将其中的HTML内容提取出来转化为Excel文件。此过程涉及文件读取、HTML标签去除、文本标准化等步骤，适用于批量处理技术文档。

# -*- coding: utf-8 -*-
# @Time    : 2020/10/16 14:09 PM
# @Author  : yangkaitong
# @FileName: preprocessing.py

######################################################################
##    win下bat运行该命令,会将chm转化为txt，部分会转化成html            ##
##      hh -decompile   D:\Desktop\  123.chm                        ##
##    遗憾的是部分会是html，所以该脚本旨在转化html为excel              ##
######################################################################

import re
import os
import pandas as pd


def normalizing(text:str):
    new_text = []
    line = text.split("\n")
    drop_line_flag = ["Top&nbsp","&nbsp;","Previous&nbsp;","body","Next"]
    replace_line_flag = ["&#63;"]
    def drop_flag(cur_line):
        for flag in drop_line_flag:
            if flag in cur_line:
                return True
        return False
    for cur_line in line:
        cur_line = cur_line.strip()
        if cur_line == "":
            continue
        elif drop_flag(cu