HTML 转纯文本总丢格式？Inscriptis：344 星的小而专转换库

GitHub 仓库

weblyzard/inscriptis

总 Stars

★ 344

主要语言

Python

查看 GitHub 项目

结论先行：Inscriptis 拿了 344 个 star，主语言 Python，Apache-2.0 开源，最近推送在 2026 年 10 月 26 日。它把 HTML 转成纯文本时尽量保留原有排版，表格与列表不会糊成一团，编辑精选常青项目。

它是什么

一个 Python 的 HTML 到文本转换库，带命令行客户端与 Web 服务两种用法：输入 HTML，输出带排版的纯文本。表格对齐、列表缩进这些细节它都尽量保留，输出结果可直接阅读。

能干嘛

给语料清洗、文本摘要、转 Markdown 前处理这类流程用：网页正文先转成干净文本，再喂给后续处理。批量转一批页面时，先抽几篇看排版保留得怎么样，表格多的页面重点看。

它和直接去标签有什么不同？

直接去标签只剩一堆文字，段落与表格全挤在一起；Inscriptis 会保留换行、缩进与表格结构，转出来的文本还能读。做语料的话，这一步的差别会直接传到下游结果里。

适合谁 / 注意点

适合做数据采集、语料处理与文本分析的开发者。注意：它处理的是静态 HTML，复杂交互页面要先渲染再转；星数不高是它方向窄，不是质量差，选型看需求匹配度。

站长点评：我选它是因为它把小事做细了——转文本还管排版，语料质量就从这里起步。先拿表格多的页面实测，效果满意再批量接进去。

项目地址：https://github.com/weblyzard/inscriptis

核验记录：2026 年 11 月 4 日查 GitHub API，344 星、主语言 Python、Apache-2.0、最近推送 2026 年 10 月 26 日。