html2txt: очистка html документа от тегов

Для случаев, когда необходимо очистить html документов от тегов и сформировать тестовый документ, можно использовать небольшую функцию html2txt. В качестве параметра передается содержимое html документа, на выходе получаем текст очищенный от тегов.

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#
# html2txt
#
import re

def html2txt(html):
    """Convert the html to raw txt """
    content = html

    p = re.compile('(<p.*?>)|(<tr.*?>)', re.I)
    t = re.compile('<td.*?>', re.I)
    comm = re.compile('<!--.*?-->', re.M)
    tags = re.compile('<.*?>', re.M)
    abbrv = re.compile('&[#\w\d]+;')    
    
    # replace abbreviation by space
    content = abbrv.sub(' ', content) 
    # remove returns time this compare to split filter join
    content = content.replace('\n', '') 
    # replace p and tr by \n
    content = p.sub('\n', content)
    # replace td by \t
    content = t.sub('\t', content) 
    # remove comments
    content = comm.sub('', content) 
    # remove all remaining tags
    content = tags.sub('', content) 
    # remove running spaces this remove the \n and \t
    content = re.sub('\ +', ' ', content) 
    return content

Ссылки
html2text, http://www.aaronsw.com/2002/html2text/