pyhtmd

一款Python版本的HTML转markdown解析器，不使用任何第三方工具，实验demo

请勿使用于生成环境，这个只是一次尝试demo项目

注意：

• 无法解析多层级HTML
• 只能是单Node
• 这项目目前只针对 tensorflow-docs 项目
• 存在个别自定义标签无法识别，基本可以适用平常场景
• python官方html_parser https://docs.python.org/zh-cn/3.7/library/html.parser.html
• html.parser 源码 https://github.com/python/cpython/blob/3.7/Lib/html/parser.py
• 不支持美化后的HTML内容，需要内容紧凑

parser

• single html node element
• infinite html list node element
• img
• head html node element

todo 开发中

• 核心的问题是，粘在一起的代码如何拆分？
• 本质还是要分割的，但具体怎么分割呢？
• table

bug

• 已解决list算法问题：
  • 当前的list 标签算法无法解析这种结构：
  • 因为算法中，假定是依次序性ul组成结束的标签
  • 核心算法一：算出开始标签的level
  • 核心算法二：根据左边的开始标签索引值算出其所对应的右边索引值序列，我自己给他起了一个炫酷拽炸天的名字：标记逆序奇偶互斥算法
  • 上面两个算法我自己算出来的，第一个花了两天，第二个花了1-2周

install

pip install pyhtmd

usage

from pyhtmd import Pyhtmd
html="<code> Hello, world ! by Pyhtmd. </code>"
md= Pyhtmd(html)
content=md.markdown()
print(content) # `Hello, world ! by Pyhtmd.`

API

Pyhtmd(html, language="", img=True )

• language：类型 string （js、python、java等）
• img:{Boolean}，默认True，可以不需要img渲染

from pyhtmd import Pyhtmd
html="<pre><code>import time\n print(time.time()) </code><pre>"
md= Pyhtmd(html,language="python")
content=md.markdown()
print(content) # `Hello, world ! by Pyhtmd.`