Python将chm文件转为txt的几种方法：使用第三方库、将CHM文件解压、使用HTML解析库、编写定制脚本。最简单的方法是使用现有的第三方库，如pychm，它提供了直接读取CHM文件内容的功能。下面详细描述如何使用pychm库读取CHM文件并将其内容转换为TXT格式。
一、安装并使用pychm库
pychm库是一个用于处理CHM文件的Python库。通过这个库，我们可以方便地读取CHM文件的内容并将其转换为TXT格式。首先，需要安装pychm库：
pip install pychm
安装完毕后，我们可以编写一个简单的Python脚本来读取CHM文件并将其内容写入TXT文件中。
import pychm
def extract_chm_to_txt(chm_file_path, output_txt_file_path):
chm_file = pychm.CHMFile(chm_file_path)
with open(output_txt_file_path, 'w', encoding='utf-8') as output_file:
for topic in chm_file.get_topics():
if topic['path'].endswith('.html'):
html_content = chm_file.get_topic_data(topic['path'])
text_content = html_content.decode('utf-8', errors='ignore')
output_file.write(text_content)
output_file.write('\n\n')
if __name__ == "__main__":
extract_chm_to_txt('example.chm', 'output.txt')
以上脚本中，extract_chm_to_txt函数接收两个参数：CHM文件的路径和输出TXT文件的路径。该函数读取CHM文件中的每个HTML页面，将其内容写入TXT文件。
二、将CHM文件解压为HTML文件
CHM文件实际上是一个压缩的HTML文件集合。我们可以使用chmlib或者其它工具将CHM文件解压为HTML文件，然后使用Python脚本读取这些HTML文件并提取文本内容。
1. 使用chmlib解压CHM文件
首先需要安装chmlib：
sudo apt-get install libchm-bin
然后使用extract_chmLib工具解压CHM文件：
extract_chmLib example.chm output_directory
2. 使用Python读取解压后的HTML文件
解压完成后，我们可以使用Python的BeautifulSoup库读取HTML文件并提取文本内容。首先安装BeautifulSoup：
pip install beautifulsoup4
然后编写Python脚本读取HTML文件并提取文本内容：
import os
from bs4 import BeautifulSoup
def extract_html_to_txt(html_directory, output_txt_file_path):
with open(output_txt_file_path, 'w', encoding='utf-8') as output_file:
for root, dirs, files in os.walk(html_directory):
for file in files:
if file.endswith('.html'):
file_path = os.path.join(root, file)
with open(file_path, 'r', encoding='utf-8', errors='ignore') as html_file:
soup = BeautifulSoup(html_file, 'html.parser')
text_content = soup.get_text()
output_file.write(text_content)
output_file.write('\n\n')
if __name__ == "__main__":
extract_html_to_txt('output_directory', 'output.txt')
这个脚本将遍历解压后的HTML文件目录，读取每个HTML文件并提取文本内容，最终将所有文本内容写入输出的TXT文件。
三、使用HTML解析库处理CHM文件内容
除了使用pychm库，我们还可以使用其他HTML解析库来处理CHM文件内容。例如，html2text库可以将HTML内容转换为纯文本格式。首先安装html2text：
pip install html2text
然后修改之前的脚本，使用html2text库将HTML内容转换为纯文本：
import pychm
import html2text
def extract_chm_to_txt(chm_file_path, output_txt_file_path):
chm_file = pychm.CHMFile(chm_file_path)
converter = html2text.HTML2Text()
converter.ignore_links = True
with open(output_txt_file_path, 'w', encoding='utf-8') as output_file:
for topic in chm_file.get_topics():
if topic['path'].endswith('.html'):
html_content = chm_file.get_topic_data(topic['path'])
text_content = converter.handle(html_content.decode('utf-8', errors='ignore'))
output_file.write(text_content)
output_file.write('\n\n')
if __name__ == "__main__":
extract_chm_to_txt('example.chm', 'output.txt')
以上脚本中，html2text库用于将HTML内容转换为纯文本。这样可以更好地处理HTML标签和格式，使输出的TXT文件更加干净和易读。
四、编写定制脚本进行更复杂的处理
在某些情况下，可能需要对CHM文件中的内容进行更复杂的处理，例如提取特定的文本部分或处理特定的HTML标签。我们可以编写定制的Python脚本来实现这些需求。
1. 提取特定的文本部分
假设我们只想提取CHM文件中的特定部分，例如标题和段落。可以修改之前的脚本，使用BeautifulSoup库来选择特定的HTML标签：
import pychm
from bs4 import BeautifulSoup
def extract_chm_to_txt(chm_file_path, output_txt_file_path):
chm_file = pychm.CHMFile(chm_file_path)
with open(output_txt_file_path, 'w', encoding='utf-8') as output_file:
for topic in chm_file.get_topics():
if topic['path'].endswith('.html'):
html_content = chm_file.get_topic_data(topic['path'])
soup = BeautifulSoup(html_content, 'html.parser')
for tag in soup.find_all(['h1', 'h2', 'h3', 'p']):
text_content = tag.get_text()
output_file.write(text_content)
output_file.write('\n\n')
if __name__ == "__main__":
extract_chm_to_txt('example.chm', 'output.txt')
在这个脚本中，我们使用BeautifulSoup库选择HTML文件中的标题（h1, h2, h3）和段落（p）标签，并将其文本内容提取出来写入TXT文件。
2. 处理特定的HTML标签
如果需要处理特定的HTML标签，例如表格（table）或列表（ul, ol），可以编写相应的处理逻辑。例如，处理HTML表格并将其转换为文本表格：
import pychm
from bs4 import BeautifulSoup
def extract_chm_to_txt(chm_file_path, output_txt_file_path):
chm_file = pychm.CHMFile(chm_file_path)
with open(output_txt_file_path, 'w', encoding='utf-8') as output_file:
for topic in chm_file.get_topics():
if topic['path'].endswith('.html'):
html_content = chm_file.get_topic_data(topic['path'])
soup = BeautifulSoup(html_content, 'html.parser')
for tag in soup.find_all(['h1', 'h2', 'h3', 'p', 'table']):
if tag.name == 'table':
table_text = extract_table_text(tag)
output_file.write(table_text)
else:
text_content = tag.get_text()
output_file.write(text_content)
output_file.write('\n\n')
def extract_table_text(table_tag):
table_text = ""
for row in table_tag.find_all('tr'):
row_text = "\t".join([cell.get_text() for cell in row.find_all(['th', 'td'])])
table_text += row_text + '\n'
return table_text
if __name__ == "__main__":
extract_chm_to_txt('example.chm', 'output.txt')
在这个脚本中，我们定义了一个辅助函数extract_table_text，用于将HTML表格转换为文本表格。主函数extract_chm_to_txt调用该辅助函数处理表格标签，并将其他文本标签的内容写入TXT文件。
通过以上方法，可以灵活地使用Python脚本将CHM文件转换为TXT格式，并根据具体需求进行定制处理。
相关问答FAQs：
如何使用Python读取CHM文件的内容？
要读取CHM文件的内容，可以使用pychm库。这个库允许你打开CHM文件并提取其中的文本和HTML内容。安装库后，你可以通过以下代码获取文件信息：
import pychm
chm_file = pychm.CHMFile('your_file.chm')
for item in chm_file.items:
print(chm_file.get_content(item))
这样，你可以提取出CHM文件中的所有内容，方便后续转换为TXT文件。
可以使用哪些库将CHM文件转换为TXT文件？
在Python中，有几个库可以帮助完成CHM到TXT的转换，包括pychm和chm2html。pychm可以用来读取文件内容，而chm2html则可以将内容转换为HTML格式，再进一步提取为TXT。通过结合这些库，你可以实现CHM文件的高效转换。
转换后的TXT文件的格式会如何？
转换后的TXT文件会保留原CHM文件中的文本信息，但可能会丢失一些格式，比如图片、链接和样式。文本将以简单的行格式存在，适合于文本处理和存档。如果需要保留格式，可以考虑将内容转换为HTML或Markdown格式。
