如何用Python将HTML转换为JSON？求高效简便解决方案

以下是两种实用的方案，无需自行从零构建转换逻辑，适合处理大型HTML文件：

方案一：BeautifulSoup + 自定义递归转换 #

利用BeautifulSoup的HTML解析能力，配合递归遍历生成JSON结构，灵活性高且适合处理大文件。

步骤： #

1. 安装依赖：

pip install beautifulsoup4 lxml

（lxml作为解析器，比默认的html.parser效率更高，适合大型文件）

2. 转换代码：

from bs4 import BeautifulSoup
import json

def parse_element(element):
    node = {"tag": element.name}
    # 保留标签属性
    if element.attrs:
        node["attributes"] = element.attrs
    # 提取非空白文本
    text = element.get_text(strip=True)
    if text:
        node["text"] = text
    # 递归处理子标签
    children = []
    for child in element.children:
        if child.name:  # 仅处理标签节点，跳过纯文本/注释等非标签内容
            children.append(parse_element(child))
    if children:
        node["children"] = children
    return node

# 流式读取大型HTML文件，避免内存溢出
with open("large_html_file.html", "r", encoding="utf-8") as html_file:
    soup = BeautifulSoup(html_file, "lxml")
    # 可选择解析整个HTML根节点，或指定特定节点（如soup.body）
    json_result = parse_element(soup.html)
    
    # 写入JSON文件
    with open("output.json", "w", encoding="utf-8") as json_file:
        json.dump(json_result, json_file, indent=2, ensure_ascii=False)

优势： #

• 可根据需求自定义JSON结构（比如过滤特定标签、保留/忽略属性）
• 流式解析方式适合GB级别的大型HTML文件，内存占用可控

方案二：使用现成转换库html2json #

如果不需要高度自定义，直接用封装好的库快速实现转换，代码更简洁。

步骤： #

1. 安装依赖：

pip install html2json

2. 转换代码：

from html2json import convert
import json

# 读取HTML内容（超大型文件可分块读取后拼接，或结合生成器处理）
with open("large_html_file.html", "r", encoding="utf-8") as html_file:
    html_content = html_file.read()

# 一键转换为JSON结构
json_data = convert(html_content)

# 保存结果
with open("output.json", "w", encoding="utf-8") as json_file:
    json.dump(json_data, json_file, indent=2, ensure_ascii=False)

注意： #

• 该库默认会保留所有标签和属性，适合通用场景
• 若文件过大导致内存不足，建议采用方案一的流式解析方式

内容的提问来源于stack exchange，提问作者adamnitz